Penggabungan Fitur Convolutional Neural Network untuk Klasifikasi Tutupan Lahan Gambut dalam Pemanfaatan Citra UAV

Maulidiya, Erika (2024) Penggabungan Fitur Convolutional Neural Network untuk Klasifikasi Tutupan Lahan Gambut dalam Pemanfaatan Citra UAV. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025221019-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 February 2026. Download (6MB) | Request a copy

Abstract

Kerapatan vegetasi adalah salah satu jenis untuk mendapatkan informasi yang dikumpulkan dari tutupan lahan pada lahan gambut. Kerapatan vegetasi menilai seberapa rentan kerusakan pada lahan gambut. Berdasarkan KBDI, kerapatan tutupan vegetasi di gambut dibagi mejadi tiga kelas yaitu bare, vegetasi sedang dan vegetasi tinggi. Dalam aspek teknis untuk memperoleh informasi terkait vegetasi dapat dilakukan dengan penginderaan jauh menggunakan data satelit dan Unmanned Aerial Vehicle (UAV). Penelitian ini akan menggunakan data UAV dengan lokasi pengambilan gambar di Hutan Lindung Liang Anggang dalam mengklasifikasikan tutupan lahan. Metode yang paling signifikan dalam pengenalan citra UAV adalah Convolutional Neural Network (CNN). Namun CNN memiliki keterbatasan dalam proses fitur yang menyebabkan hilangnya beberapa informasi penting tingkat rendah yaitu tepi dan kontur. Penelitian ini melakukan penggabungan fitur CNN dengan arsitektur ResNet 50 dan DenseNet dengan target dapat memperbaiki dan memfasilitasi kekurangan CNN dalam keterbatasan proses fitur. ResNet 50 mengatasi masalah penurunan gradient, namun untuk kekurangannya yaitu memerlukan proses yang lama saat proses pelatihannya. Sedangkan DenseNet memiliki parameter yang lebih sedikit dan memiliki efisiensi penggunaan fitur yang lebih baik, namun memerlukan memori GPU yang tinggi dan waktu pelatihan yang lebih lama. Kelebihan menggabungkan kedua arsitektur yaitu mendapatkan informasi yang lebih detail dan kompleks. Namun, kelemahannya adalah lama waktu proses yang diperlukan dan memerlukan penyimpanan yang besar, maka diterapkan pemangkasan dengan Pruning Filter with Attention Mechanism (PFAM). Metode PFAM digunakan untuk memangkas fitur yang tidak berkontribusi ketika dilakukan penggabungan arsitektur selama proses pelatihan. Uji skenario penelitian ini akan melakukan perbandingan performa CNN dengan melakukan penggabungan fitur arsitektur dengan penambahan Pruning dan membandingkan dengan hasil literatur terkait penelitian ini. Hasil uji coba menunjukkan bahwa model dengan gabungan fitur arsitektur CNN mendapatkan nilai akurasi sebesar 87.98% dengan lama waktu proses 39 menit. Sedangkan model CNN dengan metode pruning PFAM sebesar 89.35% dengan lama waktu proses 28 menit. Hal ini menunjukkan model CNN lebih baik dengan tambahan metode pruning pada kasus klasifikasi tutupan lahan. Metode pruning memangkas beberapa layer arsitektur CNN namun tetap dapat mempertahankan dan menghasilkan akurasi yang lebih baik pada kasus klasifikasi tutupan lahan di penelitian ini.
===================================================================================================================================
Vegetation density is one type of information collected from land cover on peatlands. Vegetation density assesses how vulnerable peatlands are to damage. Based on KBDI, the density of vegetation cover on peat is divided into three classes, namely Bare, Medium Vegetation and High Vegetation. In the technical aspect, obtaining information related to vegetation can be done by remote sensing using satellite data and Unmanned Aerial Vehicle (UAV). This study will use UAV data with shooting locations in the Lindung Liang Anggang Forest in classifying land cover. The most significant method in UAV image recognition is a Convolutional Neural Network (CNN), but has limitations in the feature process which causes the loss of some important low-level information, namely edges and contours. This research combines CNN features with the ResNet 50 and DenseNet architectures with the target of improving and facilitating CNN shortcomings in the feature processing limitations. ResNet 50 overcomes the problem of decreasing gradients, but the drawback is that it requires a long process during the training process. Whereas DenseNet has fewer parameters and has better efficiency in using features, but requires high GPU memory and longer training time. The advantage of combining the two architectures is getting more detailed and complex information. However, the weakness is the long processing time required and large storage requirements, so pruning is applied using the Pruning Filter with Attention Mechanism (PFAM). The PFAM method is used to trim features that do not contribute when combining architectures during the training process. Test scenarios in this study will compare the performance of CNN by combining architectural features with the addition of pruning and not using additional pruning. The test results show that the model with a combination of CNN architectural features obtained an accuracy value of 87.98% for a processing time of 39 minutes, while the CNN model with the PFAM pruning method was 89.35% for a processing time of 28 minutes. This shows that the CNN model is better with the addition of the pruning method in the case of land cover classification. The pruning method cuts several layers of the CNN architecture but can still maintain and produce better accuracy in the case of land cover classification in this study.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Classification of Vegetation Density, Merging UAV Data Features, Pruning PFAM, Klasifikasi Kerapatan Vegetasi, Penggabungan Fitur Data UAV, Pruning PFAM
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.6 Operations research--Mathematics. Goal programming
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Erika Maulidiya
Date Deposited:	06 Feb 2024 01:47
Last Modified:	06 Feb 2024 01:47
URI:	http://repository.its.ac.id/id/eprint/106240

Actions (login required)

View Item