Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection

Rizki Tri Prasetio, Endang Ripandi

Sari


Abstrak

Hutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian untuk mengklasifikasikan jenis populasi tumbuhan hutan pada hutan Ibraki, Jepang. Algoritma SVM (Support Vector Machine) dan MLP (Multy Layer Perceptron) diterapkan untuk mengklasifikasikan jenis populasi tumbuhan hutan di hutan Ibraki dengan hasil akurasi 85.9%. Hasil Penelitian Brian Johnson dkk, diberi nama Forest Type Mapping Datasets.  Hasil akurasi yang diperoleh dari penerapan algoritma SVM dan MLP masih belum mencapai hasil akurasi yang optimal dan masih mungkin untuk ditingkatkan. Untuk dapat meningkatkan hasil akurasi yang optimal terhadap klasifikasi jenis populasi tumbuhan hutan pada Forest Type Mapping Datasets, maka pada penelitian ini diusulkan untuk menerapkan algoritma optimasi fitur Optimize Selection pada algoritma Deep Learning. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan akurasi yang signifikan. Nilai akurasi klasifikasi pada jenis populasi tumbuhan hutan yang dihasilkan algoritma Deep Learning dengan optimasi fitur Optimize Selection berhasil meningkat menjadi  96.46%.

Kata Kunci


Kata Kunci: Optimasi Klasifikasi, Deep Learning, Optimize Selection

Teks Lengkap:

PDF

Referensi


Akhtar, F., & Hahne, C. (2012). Rapidminer v7.5 “Operator Reference”. Diambil Kembali dari Rapid-I GmbH: www.rapid-i.com

Alfisahrin, S. N. (2012). Komparasi Algoritma C4.5, Naïve Bayes dan Neural Network Untuk Memprediksi Penyakit jantung. Jakarta: Pasca Sarjana Megister Ilmu Komputer SSTMIK Nusa Mandri.

Arno Candel, E. L. (2016). Deep Learning with H2O. Deep Learning with H2O, 1.

Bellazi, R., & Zupan, B. (2008). Predictive Data mining In Clinical Medicine : Curent Issues And Guidelines. International Journal Of Medical Informatics7, 81-97.

Bengio, Y., & Glorot, X. (2010). Undertandig The Diificulty of Training Deep Feedforward Neural Networks. Deep Neural Network.

Candel, A., LeDell, E., Parmar, V., & Arora, A. (2017). Deep Learning with H2O. California: H2O.ai, Inc.

Fitriyani dan wahono, R. S. (2015). Integrasi Bagging dan Greedy Forward Selection Pada Prediksi Cacat Software dengan menggunakan Naive Bayes. Journal of Software Engineering, Vol. 1, No. 2, 101.

Gorunecu, F. (2011). Data mining Concepts, Models and Techniques. Berlin: Springer.

Han, J., & Kamber, M. (2006). Data mining Concepts and Techniques Second Edition. San Francisco: Diane Cerra.




DOI: https://doi.org/10.31311/ji.v6i1.5176

##submission.license.cc.by4.footer##

 dipublikasikan oleh LPPM UBSI
Jl. Kamal Raya No. 18 Cengkareng, Jakarta Barat