IDENTIFIKASI JENIS MANGROVE DENGAN MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN)
(Studi Kasus Pulau Bintan)
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
DASOPANG, ALRAMADAN
Ritha, Nola
Hayaty, Nurul
Ritha, Nola
Hayaty, Nurul
Subject
005.1.Pemrograman
Datestamp
2024-07-31 06:56:28
Abstract :
Indonesia memiliki potensi kelautan yang signifikan dengan luas laut mencapai dua pertiga dari total wilayahnya, sekitar 5,8 juta km². Dengan lebih dari 17.000 pulau dan garis pantai sepanjang 81.000 km, Indonesia menyimpan kekayaan alam yang melimpah. Penelitian ini berjudul "Identifikasi Jenis Mangrove di Pulau Bintan dengan Menggunakan Metode Radial Basis Function Neural Network (RBFNN)" bertujuan untuk mengimplementasikan metode RBFNN dalam mengidentifikasi jenis mangrove di Pulau Bintan dengan menggunakan fitur bentuk dan tekstur GLCM. RBFNN terdiri dari tiga lapisan: input, hidden, dan output. Neuron pada lapisan input sesuai dengan komponen vektor input, sedangkan lapisan tersembunyi melakukan transformasi non-linear menggunakan fungsi aktivasi non-linear. Dengan 340 neuron pada lapisan tersembunyi, model menunjukkan performa unggul dibandingkan dengan 140 dan 240 neuron. Hasil penelitian menunjukkan bahwa model RBFNN mencapai akurasi 100.00% confusion matrix dengan akurasi, presisi, recall, dan F1-score masing-masing 1.00, yang menandakan bahwa model ini sangat efektif dalam mengklasifikasikan jenis-jenis mangrove yang diuji.
Indonesia memiliki potensi kelautan yang signifikan dengan luas laut mencapai dua pertiga dari total wilayahnya, sekitar 5,8 juta km². Dengan lebih dari 17.000 pulau dan garis pantai sepanjang 81.000 km, Indonesia menyimpan kekayaan alam yang melimpah. Penelitian ini berjudul "Identifikasi Jenis Mangrove di Pulau Bintan dengan Menggunakan Metode Radial Basis Function Neural Network (RBFNN)" bertujuan untuk mengimplementasikan metode RBFNN dalam mengidentifikasi jenis mangrove di Pulau Bintan dengan menggunakan fitur bentuk dan tekstur GLCM. RBFNN terdiri dari tiga lapisan: input, hidden, dan output. Neuron pada lapisan input sesuai dengan komponen vektor input, sedangkan lapisan tersembunyi melakukan transformasi non-linear menggunakan fungsi aktivasi non-linear. Dengan 340 neuron pada lapisan tersembunyi, model menunjukkan performa unggul dibandingkan dengan 140 dan 240 neuron. Hasil penelitian menunjukkan bahwa model RBFNN mencapai akurasi 100.00% confusion matrix dengan akurasi, presisi, recall, dan F1-score masing-masing 1.00, yang menandakan bahwa model ini sangat efektif dalam mengklasifikasikan jenis-jenis mangrove yang diuji.
File :
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Cover.pdf
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Abstark.pdf
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Bab I.pdf
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Daftar Pustaka.pdf
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Full Teks.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
