Beruflich Dokumente
Kultur Dokumente
xxxxx
JGISE
Journal of Geospatial Information Science and Engineering
E-ISSN: 2623-1182 | https://jurnal.ugm.ac.id/jgise
1
dan pengkelasan objek. Hal ini menjadi salah teori machine learning. Dengan melakukan
satu strategi dimana jumlah pokok tanaman ekstraksi abstraksi tingkat tinggi dan kompleks ,
dalam satu blok tanam akan menjadi input bagi makan dapat dihasilkan representasi data
manajer untuk menentukan input budidaya melalui proses pembelajaran hierarkis, deep
(pupuk, pestisida) dan juga menjadi input untuk learning menghasilkan hasil yang lebih cepat
memperkirakan hasil panen per blok. daripada pendekatan machine learning. Deep
learning akan mempelajari fitur-fitur yang
penting dengan sendirinya, dengan
1.2 Tinjauan Pustaka mengharuskan pengguna untuk memilih fitur-
fitur yang terkait secara manual terlebih dahulu.
1.2.1 Machine Learning Kata "deep" atau “mendalam” dalam deep
Machine learning adalah istilah yang learning berasal dari banyaknya layer yang
banyak digunakan yang mencakup banyak jenis dibangun ke dalam model deep learning, yang
program yang akan di jalankan dalam sebuah biasanya bertipe neural networks. Convolutional
analitik data yang besar. Algoritma dar machine Neural Networks (CNN) dapat terdiri dari
learning adalah "otak" yang benar-benar banyak layer model, di mana setiap layer
memberi daya pada sebagian besar program mengambil input dari layer sebelumnya,
prediktif. Para pengguna machine learning memprosesnya, dan mengeluarkannya ke layer
diharapkan mampu membedakan antara berikutnya.
machine learning yang diawasi dan machine Deep learning adalah jenis machine
learning yang tidak diawasi serta pemodelan learning yang bergantung pada beberapa lapis
ensemble, yang menggunakan kombinasi teknik pemrosesan nonlinear untuk identifikasi fitur
pendekatan, dan pembelajaran semi-diawasi, dan pengenalan pola yang dijelaskan dalam
yang menggabungkan pendekatan yang diawasi suatu model. Model deep learning dapat
dan tanpa pengawasan. Untuk machine learning diintegrasikan dengan ArcGIS Pro untuk deteksi
yang terawasi, pengguna membuat program objek dan klasifikasi gambar. (Wehle, 2017)
untuk menghasilkan jawaban berdasarkan Deep Learning bekerja berdasarkan pada
kumpulan data yang dikenal dan diberi label. arsitektur jaringan dan prosedural optimal yang
Algoritma klasifikasi dan regresi, termasuk digunakan pada arsitektur. Setiap output dari
hutan yang tidak dapat diidentifikasi (acak), lapisan per lapisan yang tersembunyi dapat
identifikasi pohon, dan mesin vektor dipantau dengan menggunakan grafik khusus yang
pendukung, umumnya digunakan untuk dirancang untuk setiap output neuron.
machine learning yang terawasi. Sedangkan
untuk machine learning tanpa pengawasan, 1.2.3 Tensor Flow
algoritma akan menghasilkan jawaban pada Tensorflow adalah contoh kerangka kerja
data yang tidak dikenal dan tidak berlabel. pembelajaran yang digunakan dalam
Pengguna data dapat melakukan pemrograman pemrosesan deep learning.
algoritma machine learning menggunakan TensorFlow kerangka machine learning
berbagai teknologi dan bahasa, termasuk Java, canggih. TensorFlow adalah kerangka machine
Python, Scala, dan lainnya. (Wehle, 2017) learning yang mungkin bisa menjadi teman
barumu jika kamu memiliki banyak data, atau
1.2.2 Deep Learning ingin mempelajari kecerdasan buatan (artificial
Deep learning adalah bentuk dari intelligence/AI) secara mendalam. TensorFlow
machine learning yang dapat memanfaatkan memungkinkanmu berinteraksi dengannya
algoritma supervised (metode terbimbing) dan layalnyaprogrammer Python.
metode unsupervised (tidak terbimbing), atau
keduanya. Deep learning menjadi populer 1.2.4 Training Sample
karena dapat digunakan sebagai cara untuk Sampel pelatihan fitur atau objek (training
mempercepat solusi dari beberapa jenis samples) sangat penting untuk dihasilkan
masalah komputer yang sulit, terutama dalam dengan klasifikasi dalam deep learning. Training
bidang computer vision dan bidang pemrosesan samples ini digunakan untuk melatih model
bahasa yang asli. (NLP). Deep learning menggunakan kerangka kerja pembelajaran
didasarkan pada cabang representasi yaitu tenserflow, dan file definisi model
pembelajaran (atau pembelajaran fitur) dari digunakan untuk menjalankan alat geoproses
2
inferensi di ArcGIS Pro untuk mengekstraksi
fitur tertentu atau untuk mengklasifikasikan
piksel dalam citra. File definisi model dapat
digunakan beberapa kali sebagai input ke alat
pemrosesan geoproses, dengan tujuan untuk
memberi kemudahan dalam menilai beberapa
gambar dari lokasi dan periode waktu yang
berbeda, setelah model deep learning digunakan.
Keberhasilan deep learning dalam
bentuk jaringan saraf multi-layer - sangat
tergantung pada volume dan variasi traininig
sample. Potensinya sangat dikompromikan
ketika data pelatihan berasal dari cara yang
didistribusikan secara geografis dan tunduk
pada batasan bandwidth.
1.3 Tujuan
Tujuan penelitian ini adalah untuk mendeteksi
objek berupa pohon kelapa sawit yang terdapat
didalam foto udara suatu wilayah.
Manfaat dari penelitian ini adalah:
a. Memberikan informasi mengenai
persebaran pohon kelapa sawit yang
terdapat didalam cakupan wilayah foto
udara yang dimiliki.
b. Sebagai referensi untuk penelitian-
penelitian selanjutnya yang sejenis.
3
mendeteksi objek atau tensorflow yang akan Pada gambar 1 dapat dilihat hasil deteksi
dipakai dalam proses deep learning juga perlu di pohon kelapa sawit menggunakan deep learning,
install terlebih dahulu. Tensorflow yang digunakan dalam kerangka tensorflow coconut trees.
dalam proses deteksi objek kelapa sawit ini adalah Ukuran scene citra yang digunakan dalam
tensorflowCoconutTrees.emd. Kemudian, setelah deteksi sawit ini adalah 1:500 , dengan alasan
itu, dilakukan proses pemilihan training samples , agar proses deteksi tidak memakan waktu yang
dari citra tersebut dipilih 80 sampel pohon kelapa terlalu lama. Dari visualisasi scene citra dapat
sawit dengan distribusi yang menyebar di seluruh dilihat bahwa area yang dipilih merupakan area
area yang terdapat didalam foto udara. Setelah perkebunan yang terdiri dari kumpulan pohon
training samples tersebut tersimpan, kemudian kelapa sawit dan area yang bukan pohon kelapa
harus dilakukan export training samples agar bisa sawit (jenis vegetasi yang lain). Pendeteksian
dilakukan proses analisis dalam deep learning. objek kelapa sawit ditandai dengan mark
Setelah itu, di input kan kerangka kerja atau berbentuk kotak diatas objek pohon sawit
tensorflow yang sudah tersedia, dan menunggu tersebut. Dari hasil deteksi dapat dilihat bahwa
proses deteksi objek sampai selesai sehingga tidak semua objek kelapa sawit dapat terdeteksi
didapatkan hasil berupa data foto udara dengan dengan baik karena ada beberapa pohon kelapa
fitur-fitur objek kelapa sawit yang sudah sawit yang secara visual dapat dilihat dengan
terdeteksi. jelas bahwa objek tersebut adalah pohon kelapa
sawit tetapi tidak terdeteksi sebagai pohon
kelapa sawit. Hal tersebut dapat terjadi dengan
3. Hasil dan Pembahasan asumsi bahwa objek pohon kelapa sawit yang
Untuk melakukan proses deteksi pohon tidak terdeteksi tersebut tidak terdefinisi nilai
kelapa sawit harus dibuat training samples digital number nya atau tidak terdefinisi nilai
terlebih dahulu. Training samples tersebut pikselnya kedalam layer-layer yang sudah
berfungsi sebagai dasar/acuan pengklasifikasian didefinisikan dalam training samples.
objek. Dengan adanya training samples dapat
didefinisikan objek mana saja yang merupakan Selain dari objek pohon kelapa sawit yang
pohon kelapa sawit. Didalam training class tidak terdeteksi, dari hasil gambar deteksi objek
tersebut dibuat 8 cluster sample yang tersebar tersebut dapat dilihat bahwa ada pohon kelapa
dengan masing-masing cluster berisi 10 pohon. sawit yang terdeteksi dengan dua mark
Kemudian, dari 80 sampel objek pohon kelapa berbentuk kotak atau ada dua kotak yang
sawit tersebut akan terdapat 80 layer pohon bertampalan sebagai tanda deteksi objek diatas
kelapa sawit dengan masing-masing nilai digital pohon kelapa sawit. Hal tersebut dapat terjadi
number berdasarkan piksel yang sudah karena objek pohon kelapa sawit tersebut bisa
didefinisikan sebagai objek kelapa sawit. saja terdefinisi nilai digital numbernya kedalam
Kemudian dilanjutkan dengan melakukan export dua kelas yang berbeda (kelas yang tidak sama),
sehingga ketika dilakukan pendeteksian pada
training samples sebagai data Deep Learning,
pohon kelapa sawit tersebut, terjadi
kemudian melakukan proses deteksi objek dan
pendefinisian 2 kelas sampel yang
didapatkan hasil sebagai berikut :
menyebabkan objek pohon kelapa sawit
tersebut terdeteksi dua kali atau terdeteksi
secara bertampalan. Kemudian, dari gambar
hasil deteksi objek kelapa sawit tersebut, dapat
dilihat terdapat satu objek yang bukan pohon
kelapa sawit tetapi terdefinisi sebagai pohon
kelapa sawit, hal tersebut terjadi karena nilai
pikselnya atau nilai digital number dari vegetasi
yang bukan pohon kelapa sawit tersebut
termasuk kedalam saah satu nilai digital number
dari 100 sampel dalam training samples yang
telah dibuat. Sehingga, objek tersebut dideteksi
Gambar 1. Hasil Deteksi Objek Kelapa Sawit sebagai pohon kelapa sawit.
dengan Deep Learning
4
Dari analisis visual yang dilakukan terhadap telah memberi semangat dan saran kepada kami
hasil deteksi objek pohon kelapa sawit, dapat dalam penulisan ini..
disimpulkan bahwa deteksi objek yang dilakukan
kurang akurat. Hal ini disebabkan karena 6. Referensi
pendeteksian yang dilakukan berdasarkan Istamar, A. (n.d.). Delivering the Value of
training samples yang telah dibuat belum mampu Geospatial Analytics into Your Industry 4.0
mendeteksi objek kelapa sawit secara baik dan Initiatives.
sempurna. Adanya objek kelapa sawit yang tidak
terdeteksi disebabkan karena nilai pikselnya Wehle, H. (2017). ML – AI- COGNITIVE. (August).
belum terdefinisi dalam kelas training samples
yang telah didefinisikan sebelumnya. Selain itu , Spadaro, B. A. (2017). AI , Machine Learning &
kelas sampel-sampel yang dipilih tersebut bisa Deep Learning : cosa cambia.
saja berbeda dengan nilai digital number yang
terdapat pada kumpulan objek kelapa sawit dari Udara, M. F. (2019). Jurnal Geodesi Undip
scene citra 1:500 yang dipilih , perbedaan Januari 2019. 8(1), 428–434.
tersebut bisa saja terjadi ketika sampel-sampel
yang dipilih merupakan pohon kelapa sawit yang Asri, J. S., & Firmansyah, G. (2018).
sudah tua (ditanam lebih lama) , sedangkan pada Implementasi Objek Detection Dan
scene citra yang dipilih merupakan objek pohon Tracking Menggunakan Deep Learning
kelapa sawit yang baru saja ditanam (tanaman Untuk Pengolahan Citra Digital. Knsi 2018,
yang lebih muda) , sehingga dengan adanya 717–723.
perbedaan waktu penanaman dari vegetasi
tersebut bisa saja menyebabkan nilai digital T. Malisiewicz, A. Gupta, and A.A. Efros.
number yang berbeda pada masing-masing Ensemble of exemplar-svms for object
vegetasi tersebut. detection and beyond. In International
Conference on Computer Vision, pages
4. Kesimpulan 89–96. IEEE, 2011.
Dari hasil penelitian yang telah dilakukan,
dapat disimpulkan bahwa dalam proses
deteksi objek pohon kelapa sawit yang
dilakukan menggunakan proses deep learning
dapat disimpulkan bahwa hasil deteksi yang
diperoleh tidak akurat, dikarenakan
banyaknya objek pohon kelapa sawit yang
tidak terdeteksi sebagai objek pohon kelapa
sawit. Kesalahan dalam deteksi yang
dilakukan dapat terjadi karena training
samples yang dipilih fitur-fitur sampelnya
belum representatif sehingga tidak mewakili
objek-objek pohon kelapa sawit yang tidak
terdefinisikan didalam training samples.