Jurnal Sosial dan Teknologi
(SOSTECH) Volume 4,
Number 2, Februari 2024
|
Muhamad Luthfi Bangun Permadi,
Restu Gumilang Sekolah Tinggi Teknologi Bandung,
Indonesia Email: �[email protected],
[email protected]
|
|
Abstrak Situasi geopolitik dunia
saat ini cenderung kurang baik, dimana terdapat sebuah ketegangan di beberapa
wilayah regional, mulai dari eropa, hingga indo-pasifik. Bahkan konfrontasi
militer tak bisa dihindarkan, bukan tidak mungkin, pecah perang yang lebih
besar, dengan begitu kesiapan Indonesia dipertanyakan. Sebagai negara yang
luas, wilayah Indonesia rentan terhadap serangan. Dengan kekuatan militer dan
dukungan teknologi yang lemah tentu hal yang buruk. Dalam perang, target yang
menjadi sasaran utama adalah sistem pertahanan. Disini kami mencoba
menerapkan algoritma CNN untuk mendeteksi sekaligus mengklasifikasikan
bangunan fasilitas militer, alutsista, dan objek yang bukan merupakan
militer. Tujuannya adalah model deep learning dapat membantu peralatan tempur
dalam menargetkan sasaran secara efektif, melalui citra satelit. CNN yang
diuji menggunakan beberapa model, dan optimizer yang berbeda, untuk
mengetahui model mana yang memiliki akurasi terbaik. Model diberikan data
gambar dalam tiga kelas, kemudian dilakukan konvolusi dan max pooling melalui
layer-layernya, hingga melalui 512 neuron di tahap klasifikasi dan output di
3 neuron sesuai jumlah kelas. Hasilnya adalah, model terbaik dengan
menggunakan arsitektur InceptionV3 dan Adamax optimizer, menghasilkan nilai
validasi akurasi sebesar 96% dan loss validation-nya 0,1757. Serta
classification report dengan masing-masing presisi kelas defense equipment
sebesar 100%, military facilities sebesar 92%, dan non-military sebesar 94%. � Kata kunci: CNN, arsitektur, klasifikasi Abstract The
current geopolitical situation in the world tends to be unfavorable, where
there is tension in several regional areas, from Europe to the Indo-Pacific.
In fact, military confrontation cannot be avoided, it is not impossible that
a bigger war will break out, so that Indonesia's readiness is questioned. As
a large country, Indonesia's territory is vulnerable to attacks. With weak
military strength and technological support, this is certainly a bad thing.
In war, the main target is the defense system. Here we try to apply the CNN
algorithm to detect and classify military facilities, defense equipment and
non-military objects. The goal is that deep learning models can help combat
equipment target targets effectively, through satellite imagery. The CNN was tested
using several models, and different optimizers, to find out which model had
the best accuracy. The model is given image data in three classes, then
convolution and max pooling are carried out through its layers, up to 512
neurons in the classification stage and output in 3 neurons according to the
number of classes. The result is, the best model using InceptionV3
architecture and Adamax optimizer, produces an
accuracy validation value of 96% and the validation loss is 0,1757. As well
as a classification report with each class of defense equipment precision of
100%, military facilities of 92%, and non-military of 94%. Keywords:
CNN, architecture, classification |
PENDAHULUAN
Situasi geopolitik global yang
saat ini sedang tidak dalam arah yang baik, mendorong eskalasi konflik yang
kian meluas, dan hal itu sudah menjadi perhatian penting bagi sejumlah pihak.
Dalam sebuah konflik antar negara, tentu militer merupakan opsi terakhir yang
dijadikan solusi untuk menghadapi ketegangan, namun bukan tidak mungkin
kekuatan militer pada akhirnya digunakan. Di era industri 4.0 sekarang, konflik
tidak lagi hanya melibatkan unsur militer, namun terdapat unsur teknologi
informasi yang dapat menentukan kemenangan.
Dengan kecanggihan teknologi
saat ini, alutsista tua tidak dapat lagi diandalkan untuk menghadapi modern
warfare. Teknologi harus diatasi dengan teknologi. Posisi pertahanan merupakan
hal yang penting dalam konflik. Terkadang sejumlah trik digunakan untuk
mengelabui sensor deteksi, yang menyebabkan semakin sulitnya mengarahkan
senjata pada lawan. Ketika target strategis disamarkan dengan lingkungan
sekitar, maka radar dapat digunakan sebagai solusi, namun jika target strategis
mengenakan sistem anti-radar serta target dalam posisi terbuka, maka dengan
penginderaan jarak jauh dapat digunakan sebagai solusi.
Teknologi satelit adalah salah
satu yang menjadi andalan dalam konflik. Satelit dapat berperan sebagai alat
penginderaan jarak jauh posisi target strategis. Dalam penginderaan jarak jauh
tersebut, kami mencoba menerapkan algoritma kecerdasan buatan CNN (Convolutional
Neural Network). CNN adalah algoritma deep learning yang dapat dilatih untuk
kumpulan data gambar skala besar untuk melakukan pengenalan dan deteksi objek
dalam gambar(Ayu, Kinasih, & Hidayat, 2021a). Penelitian ini diharapkan
menghasilkan sebuah model yang berperan untuk mendeteksi dan mengklasifikasi
target strategis melalui deep learning atau pembelajaran mendalam citra
satelit. Tujuannya, dengan bantuan model CNN, posisi dan letak target strategis
lawan dapat terbuka secara visual, sehingga diharapkan dapat ditindak lebih
lanjut oleh sistem pendukung pertahanan yang terintegrasi dengan satelit. Model
juga sekaligus mengatasi masalah persenjataan yang dilengkapi sistem
anti-radar, sehingga target strategis lawan tetap diketahui posisinya.
Pada penelitian sebelumnya,
CNN digunakan untuk penginderaan jarak jauh menggunakan satelit SPOT6 untuk
mengklasifikasi citra satelit tutupan lahan dengan hasil terbaik menggunakan
Adam optimizer, learning rate 0.001 dan epoch 100 (#1 dkk., t.t.). Hasilnya,
model memiliki akurasi 95,45 %, dan loss 0,2457. Kemudian pada penelitian (Ayu,
Kinasih, & Hidayat, 2021b), penginderaan jarak jauh mengambil citra gambar
menggunakan UAV (Unmanned Aerial Vehicle) untuk melakukan pemetaan persebaran
bangunan di desa Campurejo menggunakan Mask R-CNN. Hasilnya untuk wilayah I
mendapat nilai presisi sebesar 94,78%, sedangkan wilayah II sebesar 98, 10%.
Kemudian CNN juga digunakan dalam penelitian (Miranda & Aryuni, t.t.) untuk
klasifikasi tutupan lahan menggunakan citra satelit Sentinel-2, hasilnya adalah
segmentasi 2072 objek menggunakan eCognition dengan akurasi model 98,4%. Pada
penelitian (Hermawan E, 2023), CNN digunakan untuk deteksi penyakit tanaman
padi dengan menggunakan UAV. Hasilnya pada percobaan terakhir, didapat akurasi
model 95%.
Untuk data pelatihan model, kami menggunakan tiga
kelas klasifikasi data citra satelit, yakni alutsista (defence equipments) disingkat deq, fasilitas militer (military facilities) disingkat fac,
dan objek non-militer (non-militaries)
disingkat non. Alutsista untuk target strategis bernilai rendah,
fasilitas militer untuk target strategis bernilai tinggi, serta objek
non-militer sebagai data negatif, atau objek yang dihindari dari penargetan. Data pelatihan diambil dari citra
satelit landsat-8 dalam format jpg. Dimensi citra data pelatihan dibuat
seragam yakni 150 x 150 piksel.
Tabel 1 Dataset
|
|
Alutsista |
Fasilitas militer |
Non-militer |
Total |
|
�train |
488 |
225 |
412 |
1125 |
|
validation |
97 |
45 |
83 |
225 |
|
test |
65 |
30 |
55 |
150 |
|
Total data |
650 |
300 |
550 |
1500 |
Gambar 1 Sampel data beserta labelnya
Untuk melakukan deteksi dan sekaligus mengklasifikasikan citra objek melalui
pelatihan citra gambar, digunakan algoritma CNN (Convolutional Neural Network). CNN memiliki beberapa layer
didalamnya, secara umum digambarkan sebagai berikut.
Gambar 2 CNN Layers
Dapat dijelaskan bahwa inputan harus melalui tahap konvolusi di bagian feature learning. Feature atau fitur merupakan bagian di dalam citra yang diekstrak oleh filter untuk kemudian dijadikan feature map. Didalam feature learning, terdapat hidden layer, yang terdiri lapisan-lapisan konvolusi, dan maxpooling. Di bagian berikutnya setelah feature learning, ada bagian klasifikasi. Bagian klasifikasi melakukan pengubahan fitur menjadi 1 dimensi menggunakan flatten. Setelah itu, fitur diklasifikasikan melalui sejumlah neuron dan berakhir di neuron output yang jumlahnya sama dengan jumlah kelas yang digunakan untuk mengklasifikasikan. Namun dengan perkembangan teknologi dan penelitian saat ini, arsitektur CNN sudah banyak berkembang. Berbagai jenis arsitektur diciptakan dengan segala kombinasi dan jumlah layer, untuk menghasilkan arsitektur paling baik untuk diterapkan pada model, sehingga model dapat sangat akurat dalam mengklasifikasikan citra gambar.
Dalam penelitian, ada beberapa tahapan yang dilakukan. Berikut merupakan tahapan yang dilalui dalam proses penelitian.
Gambar 3 Alur
Proses Penelitian
Pada tahap pertama dilakukan pengumpulan data yang terbagi tiga kelas, deq, fac, dan non. Kemudian pada tahap kedua, data preprocessing, gambar di resize ukurannya secara seragam ke 150 x 150 px agar pada proses input citra di tahap training model, tidak terjadi ketidaksesuaian dimensi gambar. Kemudian pada tahap model training, gambar-gambar yang sudah seragam ukurannya dan terbagi menjadi tiga kelas, di pisahkan ke dalam tiga jenis, yakni data training, data validation, dan data test. Kemudian model di training dengan data train dan data validation. Setelah model di-training data, data test digunakan untuk pengujian model pada tahap uji klasifikasi data test, setelah itu, hasil pengujian menghasilkan model yang telah dibuat.
Untuk arsitektur CNN di atur dengan beberapa layer yang terdiri dari 3 convolution layers beserta 3 down sampling, beserta 1 fully connected layer.
Tabel 2 Arsitektur CNN
|
Layer |
Filter |
Output |
|
Input |
- |
150, 150, 3 |
|
Conv2D |
3 x 3, stride=1, padding |
64, 64, 8 |
|
ActivationReLU |
- |
64, 64, 8 |
|
MaxPooling2D |
2 x 2, strides=2 |
32, 32, 8 |
|
Conv2D |
3 x 3, stride=1, padding |
32, 32, 16 |
|
ActivationReLU |
- |
32, 32, 16 |
|
MaxPooling2D |
2 x 2, strides=2 |
16, 16, 16 |
|
Conv2D |
3 x 3, stride=1, padding |
16, 16, 32 |
|
ActivationReLU |
- |
16, 16, 32 |
|
MaxPooling2D |
2 x 2, strides=2 |
8, 8, 32 |
|
Dropout |
rate=0.5 |
- |
|
Flatten |
- |
- |
|
Dense |
- |
3 |
|
Softmax |
- |
3 |
Berdasarkan tabel diatas, arsitektur
CNN menggunakan input 150 x 150 px,
kemudian dilanjutkan proses
konvolusi dan downsampling
menggunakan MaxPooling2D, dengan konvolusi menggunakan padding dan stride sebesar
1 px, sedangkan downsampling menggunakan
stride sebesar 2 dan pool size 2x2. Untuk aktivasi menggunakan ReLu, setelah melewati hidden layer, citra feature di dropout dengan
rate 0.5, serta diubah menjadi 1 dimensi agar tahap klasifikasi dapat dilakukan dengan optimal. Terakhir pada aktivasi output menggunakan softmax dengan ouput sejumlah 3 neuron sesuai jumlah kelas.
Fungsi aktivasi ReLu (Rectified Liner unit) merupakan fungsi non-linier dimana pengaktifan neuron tidak bersamaan, hanyak ketika output dari transformasi linier bernilai nol. Fungsi ReLu dituliskan dalam persamaan sebagai berikut.
Dimana:
Hasil
penelitian berupa model
yang telah diuji menggunakan data test, dengan akurasi dan loss yang
telah terukur. Dengan data citra gambar berupa objek-objek
yang memiliki tingkat kemiripan serta letak posisi yang terselipkan diantara rumitnya citra lingkungan sekitar, yang notabene citra gambar tersebut relatif lebih sulit
dilatihkan dibanding pada penelitian lain, model diharapkan mampu memiliki tingkat akurasi yang tinggi dan loss se-rendah
mungkin. Oleh karena itu satu-persatu arsitektur beserta kombinasi optimizer tool,
diujikan pada data gambar tersebut, untuk memperoleh model yang akurat dan
minim kesalahan. Karena sebuah
kesalahan akan berujung kepada malapetaka besar yang menimbulkan adanya korban jiwa.
Pada
hasil penelitian berikut, model diuji coba menggunakan 5 jenis arsitektur, yakni Xception, InceptionV3, VGG16, VGG19, dan NASNetMobile.
Hasil pelatihan model juga didapatkan
berdasarkan berbagai konfigurasi jenis optimizers, dan arsitektur,
agar didapatkan hasil terbaik dari proses konvolusi yang telah dilakukan. Namun pada tabel berikut ujicoba
dilakukan menggunakan optimizer yang sama
yakni Adamax. Berikut
ini beberapa percobaan yang dilakukan dengan menggunakan arsitektur yang sudah ada
Tabel 2 Perbandingan Arsitektur
|
Percobaan
ke- |
Arsitektur |
Epoch |
Optimizer |
Akurasi |
Loss |
|
1 |
Xception |
50 |
Adamax |
90,67% |
0,3764 |
|
2 |
InceptionV3 |
50 |
Adamax |
96,00% |
0,1757 |
|
3 |
VGG16 |
50 |
Adamax |
92,67% |
0,3142 |
|
4 |
VGG19 |
50 |
Adamax |
80,67% |
0,8647 |
|
5 |
NASNetMobile |
50 |
Adamax |
84,67% |
0,6550 |
Sumber: TNR
10 Pt
Berdasarkan tabel diatas, terdapat 5 arsitektur
yang diuji menggunakan optimizer
Adamax. Semua training model
menerapkan jumlah epoch sebanyak 50, hal ini bertujuan untuk menetapkan
standar batas pelatihan dari pengujian dari tiap training. Dari kelima
arsitektur, InceptionV3 mampu menunjukan akurasi yang tertinggi, yakni
sebesar 96%, dengan data loss terendah sebesar 0,1757. Uji optimizer juga dilakukan dengan menggunakan arsitektur berdasarkan hasil terbaik
sebelumnya, yakni InceptionV3.
Tabel 3 Optimizers Test
|
No |
Optimizers |
Arsitektur |
Epoch |
Akurasi |
Loss |
|
1 |
Adadelta |
InceptionV3 |
50 |
66,00% |
0,7720 |
|
2 |
Adadelta |
InceptionV3 |
100 |
80,00% |
0,5066 |
|
3 |
Adam |
InceptionV3 |
50 |
84,67% |
0,6096 |
|
4 |
Adamax |
InceptionV3 |
50 |
96,00% |
0,1757 |
|
5 |
RMSProp |
InceptionV3 |
50 |
87,33% |
0,3375 |
|
6 |
SGD |
InceptionV3 |
50 |
89,33% |
0,3755 |
Berdasarkan tabel diatas, InceptionV3
dengan optimizer Adamax tetap
memiliki nilai akurasi yang tertinggi yakni 96%, diikuti oleh SGD sebesar 89%, RMSProp 87%, Adam 84%, Adadelta 66% dan Adadelta (dengan penambahan jumlah epoch) 80%. Untuk Adadelta,
dikarenakan kurva akurasi pada data train dan validation masih terus naik secara konsisten pada grafik training, maka jumlah epoch dicoba ditambahkan hingga 100, untuk mengetahui
sejauh mana tingkat akurasi yang sesungguhnya. Pada epoch 95, kurva mulai cenderung tidak meningkat secara
simultan, maka didapat nilai optimum akurasi pada epoch 100 sebesar 80%.
Gambar 4 Grafik training model menggunakan pyplot
Gambar diatas
adalah hasil terbaik pelatihan model menggunakan InceptionV3 dengan
akurasi keseluruhan 96,00%
dan loss 0,1757. Sebelah kiri
merupakan grafik loss dari training dan validation data, sedangkan grafik kanan merupakan akurasi dari training dan validation
data. Sebagai pembanding, pada penelitian lain yang menggunakan
data citra gambar sejenis namun berbeda
objek,
�� Hasil pengujian diperoleh
melalui confusion
matrix dan classification report, dimana confusion
matrix adalah matriks yang
menampilkan jumlah data terprediksi, baik yang benar maupun yang salah
Gambar 5 Struktur Tabel Confusion Matrix
Berdasarkan
struktur tabel confusion
matrix diatas, maka confusion
matrix terdiri dari 4 nilai yakni:
1. TP
(True Positive) merupakan jumlah
prediksi yang benar, dimana model memprediksi kebenaran positif dari suatu data, dan ternyata data tersebut memang positif.
2. TN
(True Negative) merupakan jumlah
prediksi yang benar, dimana model memprediksi kebenaran negatif dari suatu data, dan ternyata data tersebut memang negatif
3. FP
(False Positive) merupakan jumlah
prediksi yang salah, dimana
model memprediksi kebenaran
positif dari suatu data, namun kenyataannya data tersebut negatif.
4. FN
(False Negative) merupakan jumlah
prediksi yang salah, dimana
model memprediksi kebenaran
negatif dari suatu data, namun kenyataannya data tersebut positif
Seperti
disebutkan sebelumnya, tabel confusion matrix berguna
untuk menentukan akurasi, recall, precision, dan spesifisitas.
Akurasi adalah nilai yang mengevaluasi seberapa banyak keberhasilan model membuat prediksi yang benar dari semua prediksi
yang dilakukan terhadap
data test. Untuk menghitung
nilai akurasi, digunakan rumus sebagai berikut.
Sedangkan
precision atau presisi
adalah nilai yang mengevaluasi model, seberapa baik dalam membuat
prediksi benar untuk kelas positif
dari keseluruhan prediksi positif yang dilakukan. Untuk menghitung nilai presisi, berikut rumusnya.
Kemudian
recall atau sensitivitas
merupakan metrik yang mengevaluasi seberapa baiknya model dalam mengidentifikasi kelas positif dengan benar. Untuk menghitung
sensitivitas, berikut rumusnya.
Selanjutnya
adalah spesifisitas. Spesifisitas atau specificity merupakan metrik yang menunjukkan seberapa baik model mengklasifikasikan kelas negatif. Untuk menghitung spesifisitas, menggunakan rumus berikut.
Pada confusion
matrix 3 kelas seperti dalam kasus penelitian
ini, maka struktur tabel confusion
matrix-nya adalah sebagai berikut.
Gambar 6 Struktur
Tabel Confusion Matrix 3 Kelas
Sumber:
Sedangkan
classification report adalah
matriks yang menyajikan evaluasi kinerja machine learning. Matriks
classification report menampilkan
nilai precision, recall, f1
score, dan support dari pelatihan model. Precision merupakan rasio dari total positif benar dan positif salah. Recall
adalah rasio positif benar dari
total positif benar dan negatif salah. Skor f1 merupakan
rata-rata harmonik yang ditimbang
dari precision dan
recall. Jika nilai
f1 semakin mendekati 1.0, maka performa model akan semakin baik.
Sedangkan support adalah jumlah kemunculan kelas di dalam dataset. Berikut merupakan hasil penelitian dari hasil pelatihan
model terbaik dalam confusion matrix dan classification report.
Gambar 7 Confusion matrix 3 kelas
Pada tabel confusion matrix diatas, maka terlihat rinciannya
sebagai berikut. Model berhasil memprediksi dengan benar kelas
deq sebanyak 58 kali, memprediksi dengan
benar yang bukan termasuk kelas fac dengan kenyataannya kelas
deq sebanyak 2 kali, serta bukan
termasuk kelas non dengan kenyataan kelas deq sebanyak
1 kali. Model tidak melakukan
kesalahan prediksi negatif pada kelas deq. Model memprediksi dengan benar data bukan kelas fac dengan kenyataan
data tersebut adalah kelas non sebanyak 1 kali, model memprediksi dengan benar bahwa data merupakan kelas fac sebanyak 36 kali, model memprediksi
dengan benar bahwa data merupakan kelas non sebanyak 50 kali, serta model memprediksi dengan benar bahwa
data bukan kelas non dengan kenyataan
data merupakan kelas fac sebanyak 2 kali.
Gambar 8 Classification Report
Pada
tabel classification report, terlihat untuk nilai precision untuk
masing-masing kelas deq,
fac, dan non adalah 1.00, 0.92, 0.94. Untuk f1 score-nya
masing-masing adalah 0.97, 0.94, 0.96 artinya nilai terbaik
ada pada kelas deq, disusul non, dan
fac.Untuk support menunjukkan jumlah data test
masing-masing kelas adalah
61 untuk kelas deq, 38 untuk kelas fac, dan 51 untuk kelas non, sehingga total
data test adalah 150. Secara
macro atau keseluruhan,
nilai akurasi yang didapat adalah 0.96 atau jika diubah
ke persentase, sebesar 96%. Untuk nilai weighted average juga relatif
sama, yakni sebesar 96%.
KESIMPULAN
Penelitian penerapan algoritma CNN untuk deteksi
dan klasifikasi target militer berdasarkan citra satelit menghasilkan model CNN
yang dapat dikatakan memiliki akurasi yang baik. Berdasarkan hasil perancangan
dan pengujian model, dengan pemilihan kombinasi terbaik arsitektur InceptionV3
dan optimizer Adamax, didapatkan akurasi model sebesar 96%. Dengan tingkat
kehilangan atau loss sebesar 0,17 atau 17%. Dengan hasil seperti itu sudah
dikatakan cukup baik. Tetapi jika model akan diterapkan pada penerapan nyata,
hasil tersebut tentunya masih sangat kurang baik. Mengingat sasaran yang dideteksi
merupakan sasaran yang rumit, serta potensi terjadinya akibat buruk yang sangat
berbahaya, maka model masih perlu dikembangkan, serta melalui serangkaian uji
keakuratan secara kontinyu. Agar model dapat mencapai tingkat akurasi yang
tinggi dan mengindari kesalahan target..
�, R. M., Saidah, S., Caecar, K., #3, P., Trisnamulya, A., & #4, P.
(t.t.). JEPIN (Jurnal Edukasi dan Penelitian Informatika) Klasifikasi
Tutupan Lahan Melalui Citra Satelit SPOT-6 dengan Metode Convolutional Neural
Network (CNN).
Ayu, C., Kinasih, S., &
Hidayat, H. (2021a). Ekstraksi Data Bangunan Dari Data Citra Unmanned Aerial
Vehicle Menggunakan Metode Convolutional Neural Networks (CNN) (Studi Kasus:
Desa Campurejo, Kabupaten Gresik) Building Data Extraction of Unmanned Aerial
Vehicle Image Data Using Convolutional Neural Networks (CNN) Method (Case
Study: Campurejo Village, Gresik Regency). 17(1), 81�92. Diambil
dari https://iptek.its.ac.id/index.php/geoid/article/view/10289/6517
Ayu, C., Kinasih, S., &
Hidayat, H. (2021b). Ekstraksi Data Bangunan Dari Data Citra Unmanned Aerial
Vehicle Menggunakan Metode Convolutional Neural Networks (CNN) (Studi Kasus:
Desa Campurejo, Kabupaten Gresik) Building Data Extraction of Unmanned Aerial
Vehicle Image Data Using Convolutional Neural Networks (CNN) Method (Case
Study: Campurejo Village, Gresik Regency). 17(1), 81�92.
Bharathi. (2023, Desember 28).
Latest Guide on Confusion Matrix for Multi-Class Classification. Diambil 24
Januari 2024, dari Analytics Vidhya website:
https://www.analyticsvidhya.com/blog/2021/06/confusion-matrix-for-multi-class-classification/
Firmansyah, I., & Hayadi
Herawan, B. (2022). KOMPARASI FUNGSI AKTIVASI RELU DAN TANH PADA MULTILAYER
PERCEPTRON. JIKO (Jurnal Informatika dan Komputer), 6, 200�206.
Diambil dari https://ejournal.akakom.ac.id/index.php/jiko/article/view/600/pdf
Hermawan E, A. S. S. D. (2023).
308-318+(1044+Jitter+Dimas+Mulya+Saputra). JITTER (Jurnal Ilmiah Teknologi
Informasi Terapan), 9.
Listyaputra, S. N. (t.t.). PERBANDINGAN
METODE DETEKSI OBJECT BERBASIS CONVOLUTIONAL NEURAL NETWORK PADA CITRA SATELIT
LAPAN-A2.
Magdalena, R., Saidah, S.,
Pratiwi, N. K. C., & Putra, A. T. (2021). Klasifikasi Tutupan Lahan Melalui
Citra Satelit SPOT-6 dengan Metode Convolutional Neural Network (CNN). JEPIN
(Jurnal Edukasi dan Penelitian Informatika), 7(3), 335�339.
Miranda, E., & Aryuni, M.
(t.t.). SISTEMASI: Jurnal Sistem Informasi Klasifikasi Tutupan Lahan
Menggunakan Convolutional Neural Network pada Citra Satelit Sentinel-2.
Diambil dari http://sistemasi.ftik.unisi.ac.id
Normawati, D., & Prayogi, S.
A. (2021). Implementasi Na�ve Bayes Classifier Dan Confusion Matrix Pada
Analisis Sentimen Berbasis Teks Pada Twitter. Dalam Jurnal Sains Komputer
& Informatika (J-SAKTI (Vol. 5). Yogyakarta. Diambil dari
https://ejurnal.tunasbangsa.ac.id/index.php/jsakti/article/view/369/348
Rina. (2023, Juni 12). Memahami
Confusion Matrix: Accuracy, Precision, Recall, Specificity, dan F1-Score untuk
Evaluasi Model Klasifikasi. Diambil 24 Januari 2024, dari
https://esairina.medium.com/memahami-confusion-matrix-accuracy-precision-recall-specificity-dan-f1-score-610d4f0db7cf
Yessi Hartiwi, Errissya Rasywir ,
Yovi Pratama , Pareza Alam Jusia (2020, September 2020) Eksperimen Pengenalan
Wajah dengan fitur Indoor Positioning System menggunakan Algoritma CNN. Diambil
25 Januari 2024, dari http:// article.php?article=1812682&val=10513&title=Eksperimen%20Pengenalan%20Wajah%20dengan%20fitur%20Indoor%20Positioning%20System%20menggunakan%20Algoritma%20CNN
Sindunuraga Rikarno Putra (2015)
Implementation Of Convolutional Neural Network For The Classification Of Object
In Images. Diambil 25 Januari 2024, dari�
https://core.ac.uk/download/pdf/291471419.pdf
M. Ihwanul Iqbal (2022) Deteksi
Kerusakan Ban Menggunakan Algoritma Convolutional Neural Network. Diambil 25
Januri 2024, https://repository.upnjatim.ac.id/9676/37/18081010016.-cover.pdf
Arham Rahim, Kusrini, Emha Taufiq
Luthfi (2020) Convolutional Neural Network Untuk Kalasifikasi Penggunaan
Masker. Diambil 25 Januari 2024, dari https://www.researchgate.net/profile/KusriniKusrini/publication/348625998_Convolutional_Neural_Network_untuk_Kalasifikasi_Penggunaan_Masker/links/6017cbc8299bf1b33e3d5c57/Convolutional-Neural-Network-untuk-Kalasifikasi-Penggunaan-Masker.pdf
Sri Wahyuni, Maman Sulaeman
(2022, Maret 1) Penerapan Algoritma Deep Learning Untuk Sistem Absensi
Kehadiran Deteksi Wajah Di Pt Karya Komponen Presisi. Diambil 25 Januari https://simantik.panca-sakti.ac.id/index.php/simantik/article/view/127/122.
|
|
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License