Penerapan Algoritma Dense Neural Network untuk Klasifikasi Jenis Sedimen Dasar Laut Menggunakan Data Mosaik dan Pola Fitur Backscatter

Harisa, Hessi Candra (2023) Penerapan Algoritma Dense Neural Network untuk Klasifikasi Jenis Sedimen Dasar Laut Menggunakan Data Mosaik dan Pola Fitur Backscatter. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311940000014-Undergraduate_Thesis.pdf Download (6MB)

Abstract

Pintu gerbang untuk pergerakan impor dan ekspor barang saat ini adalah pelabuhan, di mana transportasi laut mendominasi 80% pangsa pasar dunia. Pelabuhan Benoa, yang terletak di Desa Pedungan, Kecamatan Denpasar Selatan, Kota Denpasar, Bali, merupakan salah satu pelabuhan yang sibuk. Untuk memastikan keselamatan dan kenyamanan dalam penggunaan transportasi laut, penting untuk memperoleh informasi tentang kondisi dasar perairan. Salah satu cara untuk memperoleh informasi tersebut adalah dengan melakukan survei hidrografi menggunakan Multibeam Echosounder yang menghasilkan data backscatter sehingga dapat diolah menjadi mosaik backscatter, yang kemudian dapat digunakan untuk mengklasifikasikan jenis sedimen dasar laut. Dalam penelitian ini, digunakan empat pola fitur atau tekstur dasar perairan, yaitu Angular Second Moment (ASM), Energi (Energy), Kontras (Contrast), dan Korelasi (Correlation). Penelitian ini bertujuan untuk menentukan desain yang tepat untuk metode Dense Neural Network sehingga menghasilkan akurasi yang baik dan juga untuk mengetahui klasifikasi jenis sedimen dan persebarannya dari hasil pengolahan data mosaik dan pola fitur backscatter menggunakan metode Dense Neural Network di Pelabuhan Benoa. Terdapat 12 titik sampel sedimen yang dibagi menjadi 9 titik untuk data training dan 3 titik untuk data testing. Pemodelan DNN dengan nilai akurasi paling tinggi dimiliki oleh Model 5 dimana nilai akurasi untuk training sebesar 88% dan akurasi untuk testing sebesar 100%. Hasil klasifikasi menggunakan DNN menghasilkan 6 jenis sedimen yaitu pasir berlanau berkerikil karang, lanau berpasir, pasir berlanau, kerikil karang berpasir berlanau, lanau kelempungan lunak, dan pasir berkerikil. Persentase paling banyak dimiliki oleh jenis sedimen lanau berpasir sebesar 49,30% dan persentase paling sedikit dimiliki oleh lanau berkelempungan lunak sebesar 0,53%.
=====================================================================================================================================
The gateway for import and export movements of goods today is the port, where maritime transportation dominates 80% of the world market share. Benoa Port, located in Pedungan Village, South Denpasar District, Denpasar City, Bali, is one of the busy ports. To ensure safety and comfort in maritime transportation, it is crucial to obtain information about the seabed conditions. One way to acquire such information is by conducting hydrographic surveys using Multibeam Echosounder, which generates backscatter data that can be processed into backscatter mosaics, subsequently used to classify the types of seabed sediments. In this study, four basic water feature or texture patterns are utilized: Angular Second Moment (ASM), Energy, Contrast, and Correlation. This research aims to determine the appropriate design for the Dense Neural Network method to achieve good accuracy and to classify the types and distribution of sediments from the processed backscatter data mosaic and feature patterns using the Dense Neural Network method at Benoa Port. There are 12 sediment sample points, divided into 9 points for training data and 3 points for testing data. The DNN modeling with the highest accuracy is Model 5, with a training accuracy of 88% and testing accuracy of 100%. The classification results using DNN yield 6 types of sediments: sandy silt with gravel corals, sandy silt, silty sand, sandy gravel with sandy silt, soft clayey silt, and gravelly sand. The most abundant sediment type is sandy silt with a percentage of 49.30%, while the least abundant is soft clayey silt with a percentage of 0.53%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	DNN, Pola Fitur, Jenis Sedimen, Klasifikasi, Mosaik Backscatter, Backscatter Mosaic, Classification, DNN, Sediment Type, Texture Feature
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QE Geology > QE471 Sedimentary rocks. Sedimentology
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Hessi Candra Harisa
Date Deposited:	02 Aug 2023 01:35
Last Modified:	02 Aug 2023 01:35
URI:	http://repository.its.ac.id/id/eprint/101851

Actions (login required)

View Item