Model Klasifikasi Terumbu Karang Menggunakan Metode Convolutional Neural Network

Iskandar Sholeh; Dinda Arinawati Wiyono

doi:10.25273/doubleclick.v6i2.13901

Model Klasifikasi Terumbu Karang Menggunakan Metode Convolutional Neural Network

Iskandar Sholeh, Dinda Arinawati Wiyono

Abstract

Komputer memiliki suatu proses komputasi didalamnya yang memiliki tugas untuk melaksanakan perintah dan tidak lepas dari metode pembelajaran atau learning. Dalam proses belajar tentunya terdapat berbagai macam metode yang dapat dilakukan untuk memenuhi masa training yang memberikan komputer suatu pengenalan dan keahlian tertentu. Salah satu cara sebagai penunjang proses learning dengan menggunakan algoritma deep learning Convolutional Neural Network (CNN). Convolution Neural Network mampu memuat keseluruhan skala informasi klasifikasi objek tanpa kehilangan keakuratannya. Tujuan dari penelitian ini adalah untuk memberikan komputer kemampuan mengenali jenis terumbu karang berdasarkan gambar yang dimasukkan. Metode yang digunakan dalam penelitian ini yaitu melatih secara komputasi dari sejumlah gambar terumbu karang yang masih hidup atau hampir mati. Kurangnya pemahaman mengenai terumbu karang yang masih hidup dan/atau hampir mati, maka penelitian ini akan sangat baik diimplementasikan menggunakan Convolutional Neural Network. Dengan menggunakan metode Convolutional Neural Network dalam klasifikasi pengenalan jenis terumbu karang mendapatkan tingkat akurasi 98%. Sehingga dapat disimpulkan bahwa implementasi Deep Learning dengan metode Convolutional Neural Network (CNN) mampu melakukan klasifikasi gambar terumbu karang.

Keywords

CNN; Klasifikasi Terumbu Karang; Deep Learning

Full Text:

PDF

References

Akhir, T., & Informatika, F. (2020). Identifikasi spesies reptil menggunakan CNN.

Fonda, H. (2020). Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn). Jurnal Ilmu Komputer, 9(1), 7–10. https://doi.org/10.33060/jik/2020/vol9.iss1.144

Kholik, A. (2021). Klasifikasi Menggunakan Convolutional Neural Network (Cnn) Pada Tangkapan Layar Halaman Instagram. Jdmsi, 2(2), 10–20.

Kurniawan, I., Silaban, L. S., & Munandar, D. (2020). Implementation of Convolutional Neural Network and Multilayer Perceptron in Predicting Air Temperature in Padang. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(6), 2–7.

https://doi.org/10.29207/resti.v4i6.2456

Muchtar, K., Chairuman, Yudha Nurdin, & Afdhal Afdhal. (2021). Pendeteksian Septoria pada Tanaman Tomat dengan Metode Deep Learning berbasis Raspberry Pi. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 107–113. https://doi.org/10.29207/resti.v5i1.2831

Novadiwanti, F., Buono, A., Faqih, A., Matematika, F., Ilmu, D., Alam, P., Bogor, P., Raya, J., & Kampus, D. (2017). Prediksi Awal Musim Hujan di Kabupaten Pacitan Menggunakan Optimasi Cascade Neural Network (CNN) dengan Genetic Algorithm (GA) Berdasarkan Data GCM Rainy Season Onset Prediction in Pacitan District Using Cascade Neural Network (CNN) Optimization with Gene. Jurnal Tanah Dan Iklim, 41(1), 69–77. https://iridl.ldeo.columbia.edu

Nugroho, P. A., Fenriana, I., & Arijanto, R. (2020). Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia. Algor, 2(1), 12–21.

Putra, H., & Ulfa Walmi, N. (2020). Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation. Jurnal Nasional Teknologi Dan Sistem Informasi, 6(2), 100–107. https://doi.org/10.25077/teknosi.v6i2.2020.100-107

Sholihin, M. (2021). Identifikasi Kesegaran Ikan Berdasarkan Citra Insang dengan Metode Convolution Neural Network. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(3), 1352–1360. https://doi.org/10.35957/jatisi.v8i3.939

Trnovszky, T., Kamencay, P., Orjesek, R., Benco, M., & Sykora, P. (2017). Animal recognition system based on convolutional neural network. Advances in Electrical and Electronic Engineering, 15(3), 517–525. https://doi.org/10.15598/aeee.v15i3.2202