Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : InComTech: Jurnal Telekomunikasi dan Komputer

Implementasi Metode CNN Computer Vision Dalam Identifikasi Tipe Kerusakan Pohon Berbasis FHM Rahmat Safe’i; Rahmat Safe'i; Zuhri Nopriyanto; Rico Andrian; Kurnia Muludi
InComTech : Jurnal Telekomunikasi dan Komputer Vol 13, No 1 (2023)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/incomtech.v13i1.16022

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).
Co-Authors . Wamiliana Adi Pribadi, Raden Irwan Admi Syarif Admi Syarif Agatha Beny Himawan Ahmad Adi Wijaya, Ahmad Adi Akmal Junaidi Alkhadafi Saddam Simparico Ananto Danu Prasetyo Andikha Yunar Cornelius Dabukke Andriyan Hutomo Ardiansyah Ardiansyah Aristoteles, Aristoteles Astria Hijriani Astria Hijriani Astria Hijriani, Astria Ayu Taqiya Ulfa Basir Efendi Dedy Hermawan Dedy Miswar Destian ade anggi Sukma Diah Adi Sriatna Dian Riskiyana Didik Kurniawan Dwi Sakethi Dwi Sakethi Dwi Sakethi Dwi Sakethi Eka Fitri Jayanti Eko Septiawan Favorisen R. Lumbanraja Febi Eka Febriansyah Flaurensia Riahta Tarigan Florencia Irena Gandadipoera, Faishal Hariz Makaarim Heningtyas, Yunda Hernani, Livia Ayu Istoria Igo Febrianto Indrianti Indrianti Irawati, Anie Rose Ismail Indra Pratama Jannati Asri Safitri Kristina Ademariana Kurnia Muludi Lisa Suarni Lona Ertina M. Juandhika Rizky Machudor Yusman Maharani, Devi Malik Abdul Azis Malik Abdul Aziz Meizano Ardhi Muhammad Muhammad Chairuddin Muhammad Iqbal Muhammad Iqbal Muhammad, Meizano Ardhi Muhaqiqin Muhaqiqin Novita Dwilestari Octarina, Nur Ayu Prabowo, Rizky Prabowo, Rizky Pradana Marlando Qonitati Qonitati RA Dina Nia Pratiwi Raden Irwan Adi Pribadi Rahman Taufik Rahmat Safe'i Rahmat Safe'i Rahmat Safe'i Rahmat Safe’i Reda Meiningtiyas Rika Ningtias Azhari S Susiyani Safei, Rahmat Safitri, Jannati Asri Saipul Anwar Saipul Anwar Sholehurrohman, Ridho Sunita Agustina TANJUNG, AKBAR RISMAWAN Tri Maryono Tristiyanto Tristiyanto Utami, Noera Yudhiarti Verina, Vira Wamiliana Wamiliana Wartariyus Wartariyus Zuhri Nopriyanto