Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection
Abstrak Hutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Bina Sarana Informatika, LPPM
2019-04-01
|
| Series: | Jurnal Informatika |
| Subjects: | |
| Online Access: | http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5176 |
| _version_ | 1818261384161394688 |
|---|---|
| author | Rizki Tri Prasetio Endang Ripandi |
| author_facet | Rizki Tri Prasetio Endang Ripandi |
| author_sort | Rizki Tri Prasetio |
| collection | DOAJ |
| description | Abstrak
Hutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian untuk mengklasifikasikan jenis populasi tumbuhan hutan pada hutan Ibraki, Jepang. Algoritma SVM (Support Vector Machine) dan MLP (Multy Layer Perceptron) diterapkan untuk mengklasifikasikan jenis populasi tumbuhan hutan di hutan Ibraki dengan hasil akurasi 85.9%. Hasil Penelitian Brian Johnson dkk, diberi nama Forest Type Mapping Datasets. Hasil akurasi yang diperoleh dari penerapan algoritma SVM dan MLP masih belum mencapai hasil akurasi yang optimal dan masih mungkin untuk ditingkatkan. Untuk dapat meningkatkan hasil akurasi yang optimal terhadap klasifikasi jenis populasi tumbuhan hutan pada Forest Type Mapping Datasets, maka pada penelitian ini diusulkan untuk menerapkan algoritma optimasi fitur Optimize Selection pada algoritma Deep Learning. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan akurasi yang signifikan. Nilai akurasi klasifikasi pada jenis populasi tumbuhan hutan yang dihasilkan algoritma Deep Learning dengan optimasi fitur Optimize Selection berhasil meningkat menjadi 96.46%. |
| first_indexed | 2024-12-12T18:46:22Z |
| format | Article |
| id | doaj.art-a7ed9feca1df40088e080d67ee8e06f5 |
| institution | Directory Open Access Journal |
| issn | 2355-6579 2528-2247 |
| language | Indonesian |
| last_indexed | 2024-12-12T18:46:22Z |
| publishDate | 2019-04-01 |
| publisher | Universitas Bina Sarana Informatika, LPPM |
| record_format | Article |
| series | Jurnal Informatika |
| spelling | doaj.art-a7ed9feca1df40088e080d67ee8e06f52022-12-22T00:15:30ZindUniversitas Bina Sarana Informatika, LPPMJurnal Informatika2355-65792528-22472019-04-016110010610.31311/ji.v6i1.51762975Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize SelectionRizki Tri Prasetio0Endang Ripandi1Universitas BSIUniversitas BSIAbstrak Hutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian untuk mengklasifikasikan jenis populasi tumbuhan hutan pada hutan Ibraki, Jepang. Algoritma SVM (Support Vector Machine) dan MLP (Multy Layer Perceptron) diterapkan untuk mengklasifikasikan jenis populasi tumbuhan hutan di hutan Ibraki dengan hasil akurasi 85.9%. Hasil Penelitian Brian Johnson dkk, diberi nama Forest Type Mapping Datasets. Hasil akurasi yang diperoleh dari penerapan algoritma SVM dan MLP masih belum mencapai hasil akurasi yang optimal dan masih mungkin untuk ditingkatkan. Untuk dapat meningkatkan hasil akurasi yang optimal terhadap klasifikasi jenis populasi tumbuhan hutan pada Forest Type Mapping Datasets, maka pada penelitian ini diusulkan untuk menerapkan algoritma optimasi fitur Optimize Selection pada algoritma Deep Learning. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan akurasi yang signifikan. Nilai akurasi klasifikasi pada jenis populasi tumbuhan hutan yang dihasilkan algoritma Deep Learning dengan optimasi fitur Optimize Selection berhasil meningkat menjadi 96.46%.http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5176Kata Kunci: Optimasi Klasifikasi, Deep Learning, Optimize Selection |
| spellingShingle | Rizki Tri Prasetio Endang Ripandi Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection Jurnal Informatika Kata Kunci: Optimasi Klasifikasi, Deep Learning, Optimize Selection |
| title | Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection |
| title_full | Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection |
| title_fullStr | Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection |
| title_full_unstemmed | Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection |
| title_short | Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection |
| title_sort | optimasi klasifikasi jenis hutan menggunakan deep learning berbasis optimize selection |
| topic | Kata Kunci: Optimasi Klasifikasi, Deep Learning, Optimize Selection |
| url | http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5176 |
| work_keys_str_mv | AT rizkitriprasetio optimasiklasifikasijenishutanmenggunakandeeplearningberbasisoptimizeselection AT endangripandi optimasiklasifikasijenishutanmenggunakandeeplearningberbasisoptimizeselection |