KLASIFIKASI JENIS TANAH MENGGUNAKAN DEEP CONVOLUTIONAL GENERATIVE ADVERSIAL DAN CONVOLUTIONAL NEURAL NETWORK

Patmawati, Patmawati (2023) KLASIFIKASI JENIS TANAH MENGGUNAKAN DEEP CONVOLUTIONAL GENERATIVE ADVERSIAL DAN CONVOLUTIONAL NEURAL NETWORK. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS)
21.55.1024 Patmawati.pdf
Download (4MB)

Abstract

Penelitian terkait klasifikasi jenis tanah telah dibanyak dilakukan oleh para peneliti. Masing-masing penelitian tersebut menggunakan metode klasifikasi serta dataset yang berbeda. Terdapat ketidakseimbangan jumlah data pada setiap kategori dataset oleh beberapa penelitian. Ketidakseimbangan dataset tersebut tentunya dapat menghasilkan performa model yang buruk atau over fit, khususnya pada metode deep learning. Untuk menangani masalah tersebut dapat dilakukan melalui proses augmentasi data sintesis dengan menggunakan model DCGAN. Dimana, jaringan generator pada model DCGAN memiliki layer inputan awal laten space dimension dim(z) yang nilainya dapat bervariasi, yaitu 64,100, 128, 256 dan 512. Ukuran latent space dimension sangat penting dalam melakukan rekonstruksi data atau citra saat proses pelatihan data. Penelitian ini, melakukan uji coba augmentasi citra sintesis terhadap kategori yang mengalami imbalance pada dataset kemudian melakukan klasifikasi menggunkan model DCCN untuk mengetahui akurasi yang dihasilkan dari proses kalsifikasi dengan menggunakan citra sintensis. Model CCN yang digunakan yaitu RestNet152V2, VGG-16, VGG-19, Inception-RestNetV2, Exception, DenseNet201 dan CNN. Selanjuntya, untuk menguji efek dimensi ruang laten pada citra yang dihasilkan menggunakan metode evaluasi secara kuantitaif, yaitu Fre'chet Inception Distance (FID). Dan untuk mengukur performance model dalam melakukan klasifikasi digunakan confusion matrics. Score terkecil dari FID menunjukkan model GAN yang lebih baik dalam menghasilkan citra sintesis. Hasil evaluasi didapatkan score terkecil bernilai 267,39 dengan menggunakan inputan latent space dimension yang ber nilai 100. Kemudian, hasil confusion metrics terbaik didapatkan dengan menggunakan model CNN dimana nilai akurasi, precision dan F1-Score yang didapatkan sebesar 99%.

Item Type:

Thesis (S2 - Magister)

Contributor: