PRAYOGI, Fendy (2020) Identifikasi Lahan Pertanian Menggunakan Convolutional Neural Network (CNN) pada Citra Google Earth. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-2020.pdf Download (348kB)
	PDF (Legalitas) LEGALITAS-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-2020.pdf Restricted to Repository staff only Download (3MB)
	PDF (Abstrak) ABSTRAK-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-2020.pdf Download (505kB)
	PDF (BabI) BAB I-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (943kB)
	PDF (BabII) BAB II-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (3MB)
	PDF (BabIII) BAB III-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabIV) BAB IV-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (11MB)
	PDF (BabV) BAB V-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (495kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Download (593kB)
	PDF (Lampiran) LAMPIRAN-Fendy Prayogi-H1A016029-Laporan Tugas Akhir-FT-2020.pdf Restricted to Repository staff only Download (7MB)

Abstract

Masyarakat Indonesia umumnya dikenal sebagai masyarakat agraris, karenahampir sebagian besar dari penduduk Indonesia memiliki status pekerjaan dalamsektor pertanian sebesar 35.703.074 jiwa. Keterlibatan sektor pertanian jugamenjadi kebutuhan pokok pangan bagi masyarakat Indonesia, selain dari faktorwilayahnya yang beriklim tropis. Namun identifikasi suatu area lahan pertanianmasih dengan metode tradisional dilakukan dengan survei lapangan, dan memerlukan banyak waktu maupun biaya. Meskipun sudah ada lembaga statistika milik pemerintahan yang menggunakan teknologi penginderaan, namun tidak banyak kalangan yang dapat mengimplementasikannya. Deep learning menjadi pembelajaran fitur dan pengklasifikasi suatu objek secara bersamaan, dan menggunakan data pelatihan dengan metode CNN sang dinilai efektif dalam berbagai pengenalan. Proses dalam deteksi lahan pertanian sawah pada citra Google Earth Pro dilakukan dengan mengidentifikasi berbagai objek yang melibatkan citra yang kompleks dan variatif. Kemudian datasheet yang diperoleh dikelola pada Google Colaboratory untuk dilatih dan didapatkan model,serta diaplikasikan hasilnya dalam pengujian citra. Terdapat dua arsitektur CNN yang digunakan LeNets dan VGG-16Net, sehingga akan dibandingkan hasil perbandingan dari pemilihan arsitekur tersebut. Berdasarkan objek yang berukuran sangat kecil dengan metode CPM dapat menghasilkan potongan citra menjadi 89.100 citra yang berukuran 56x6 piksel sehingga mengoptimalkan dalam identifikasi objek geografis lahan pertanian sawahdengan akurasi yang cukup tinggi, Perbandingan kurva akurasi dan kegagalan menunjukkan kedua arsitektur dalam kondisi goodfit, namun asitektur LeNet-5SModifikasi memiliki hasil yang lebih baik dalam pelatihan dengan akurasi akhir sebesar 0.9936 dan kegagalan 0.0193 dibandingkan dengan arsitektur VGG-16Net yang akurasi diperoleh 0.9923 dan kegagalan 0.0229 dalam skala nilai 0 sampai I Pengaruh objek citra terutama pada kualitas citra dan ketinggiannya dari ketiga pulau dapat berdampak pada hasil prediksi maupun presentase akurasinya.

Actions (login required)

View Item