Implementasi Metode CNN Computer Vision Dalam Identifikasi Tipe Kerusakan Pohon Berbasis FHM

Abstract

Identifikasi tipe kerusakan pohon pada Forest Health Monitoring hingga saat ini masih bersifat manual, yaitu menggunakan penglihatan manusia dalam penerapannya. Teknologi Informasi yang kini berkembang pesat dapat di rasakan hingga ke berbagai media penerapan ilmu pengetahuan, dengan demikian terciptalah salah satu solusi dalam memecahkan masalah penelitian kasus identifikasi tipe kerusakan pohon yaitu dengan penggunaan metode computer vision dalam upaya memudahkan pekerjaan dalam ilmu kehutanan. Tujuan penelitian ini adalah untuk menerapkan computer vision dalam mengidentifikasi tipe kerusakan pohon berbasis Forest Health Monitoring. Tahapan penelitian yang dilakukan dalam penelitian ini adalah pengumpulan dataset, proses preprocessing, pembagian dataset, pelatihan model, pengujian model dan terakhir adalah evaluasi model. Hasil penelitian ini berupa model (prototype) identifikasi tipe kerusakan pohon dalam 4 kategori yaitu, LeNet-5 Colab, LeNet-5 Tesla, MobileNet Colab, dan MobileNet Tesla. Persentase identifikasi model bervariasi, dimana pada kelas tertentu model dapat mengidentifikasi dengan benar dan dikelas lainnya masih ada beberapa identifikasi model yang kurang optimal, disebabkan oleh kemiripan beberapa bentuk dataset dalam segi visual komputer. Penelitian penerapan computer vision dalam identifikasi kerusakan pohon berbasis Forest Health Monitoring berhasil dilakukan dengan menghasilkan dua model (prototype) dalam identifikasi kerusakan pohon yang nilai akurasinya mencapai angka 89.99% pada model LeNet-5 dan 99.06% pada model MobileNet dengan tools yang digunakan adalah Jupyter notebook pada Nvidia Tesla K20 (offline) dan Google Colab (online).

Assessment of Tree Damage with the Forest Health Monitoring (FHM) Method and the Convolutional Neural Network (CNN) Method

“…The model will change the pixel size in the input image according to the format in the model, namely 224 x 224 pixels [14]. The change in pixel size aims to expedite the computational process that will run without eliminating the object to be detected or the object to be extracted and used by Epoch 50 with Nvidia Tesla tools [15]. Recall, precision, and f1-score values can be seen in Table 2.…”

Perancangan Aplikasi Konversi RGB CMYK berbasis Python

“…Intellegence yang berkembang dengan pesat, dimana saat ini banyak nya muncul pembaruan dalam bidang teknologi, saat ini komputer mampu untuk mendeteksi objek-objek benda, seperti mendeteksi warna, mendeteksi manusia dan lain-lain [1]. Python merupakan salah satu bahasa pemrograman saat ini yang banyak digunakan dalam pengembangan bidang tersebut.…”

“…Tujuan perancangan aplikasi ini adalah aplikasi ini dapat digunakan dalam konversi warna dari warna RGB menjadi warna cetak dalam bentuk CMYK dengan menggunakan standar warna yang tersedia pada Adobe RGB. Hasil konversi Yoga Putra Pratama 1* , Wiwi Prastiwinarti 1 , Luthfiandra Ahmad 1 , dan Zain Sultan Mahmuda 1 1 Politeknik Negeri Jakarta, Jakarta, Indonesia * Email: yoga.putra.pratama@grafika.pnj.ac.id…”