Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
3 Iss.
2 October 2023, pp: 253-263
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Classification of Density and Transparency Scales of Needle Leaf Types with VGG16 Klasifikasi Skala Kerapatan dan Transparansi Tajuk Jenis Daun Jarum dengan VGG16 Flaurensia Riahta Tarigan1.
Rico Andrian2.
Rahmat SafeAoi3* Program Studi Ilmu Komputer.
Jurusan Ilmu Komputer.
Fakultas Matematika dan Ilmu Pengetahuan Alam.
Universitas Lampung.
Indonesia Program Magister Kehutanan.
Jurusan Kehutanan.
Fakultas Pertanian.
Universitas Lampung.
Indonesia E-Mail: 1 flaurensiariahta@gmail.
com, 2 rico.
andrian@fmipa.
safei@fp.
Received Aug 12th 2023.
Revised Oct 02nd 2023.
Accepted Oct 26th 2023 Corresponding Author: Rahmat SafeAoi Abstract This article discusses the use of deep learning, specifically the VGG16 Convolutional Neural Network (CNN) architecture, to classify the canopy density and transparency level in coniferous trees.
This study collected images of four types of coniferous trees: araucaria heterophylla, pine merkusii, cupressus retusa, and shorea javanica, each with ten different levels of density and transparency.
Each class has 1000 images that have been labeled.
The preprocessing process involves resizing, and image augmentation.
Data is divided into training data .
%), validation data .
%), and testing data .
%).
The deep learning model used is VGG16 with predetermined hyperparameters.
The model training results show that VGG16 succeeded in classifying coniferous trees with good accuracy.
Accuracy results reached 90.
00% for pine merkusii, 00% for araucaria heterophylla, 96.
00% for cupressus retusa, and 99.
00% for shorea javanica.
The evaluation results include precision, recall, and F1-score for each density and transparency class.
Prediction errors mainly occur in classes with high visual similarity between images.
This research proves that deep learning technology can be used to classify the canopy density and transparency level in coniferous trees.
The results can be used in forest health monitoring, helping governments and related organizations in sustainable forest management.
Keyword: CNN, density, needleleaf, transparency.
VGG16 Abstrak Artikel ini membahas penggunaan deep learning, khususnya arsitektur Convolutional Neural Network (CNN) VGG16, untuk mengklasifikasikan tingkat kerapatan dan transparansi tajuk pada pohon jenis daun jarum.
Penelitian ini mengumpulkan gambar dari empat jenis pohon daun jarum: araucaria heterophylla, pinus merkusii, cupressus retusa, dan shorea javanica, masing-masing dengan sepuluh tingkat kerapatan dan transparansi yang berbeda.
Setiap jenis memiliki 1000 gambar yang telah di-label.
Proses preprocessing melibatkan perubahan ukuran, dan augmentasi gambar.
Data dibagi menjadi data training .
%), data validation .
%), dan data testing .
%).
Model deep learning yang digunakan adalah VGG16 dengan hyperparameter yang telah ditentukan.
Hasil pelatihan model menunjukkan bahwa VGG16 berhasil mengklasifikasikan pohon daun jarum dengan tingkat akurasi yang baik.
Hasil akurasi mencapai 90.
00% untuk pinus merkusii, 92.
00% untuk araucaria heterophylla, 96.
00% untuk cupressus retusa, dan bahkan 99.
00% untuk shorea Hasil evaluasi juga mencakup precision, recall, dan F1-score untuk setiap kelas kerapatan dan transparansi.
Kesalahan prediksi terutama terjadi pada kelas dengan tingkat kesamaan visual yang tinggi antar gambar.
Penelitian ini membuktikan bahwa teknologi deep learning dapat digunakan untuk mengklasifikasikan tingkat kerapatan dan transparansi tajuk pada pohon daun jarum.
Hasilnya dapat digunakan dalam pemantauan kesehatan hutan, membantu pemerintah dan organisasi terkait dalam pengelolaan hutan yang berkelanjutan.
Kata Kunci: CNN.
Daun Jarum.
Kerapatan.
Transparansi.
VGG16 DOI: https://doi.
org/10.
57152/malcom.
MALCOM-03.
: 253-263
PENDAHULUAN
Hutan adalah wilayah yang terdiri dari berbagai jenis pohon dan dikelola oleh satu entitas atau organisasi dengan tujuan sesuai dengan pemilik lahan .
Hutan di Indonesia terbagi menjadi dua kategori, yaitu hutan sehat dan hutan tidak sehat.
Keadaan kesehatan hutan tercermin melalui kemampuan ekosistem hutan untuk memenuhi kebutuhan makhluk hidup di dalamnya.
Hutan dianggap sehat ketika fungsi-fungsinya tetap terjaga dan berlangsung dengan baik .
Kesehatan hutan dapat dipantau dengan menggunakan metode Forest Health Monitoring (FHM).
Parameter yang dipakai dalam FHM diantaranya adalah kerapatan tajuk .
, rasio tajuk hidup (Live Crown Rati.
, diameter tajuk .
rown diamete.
, transparansi tajuk .
, dan mati pucuk .
ie bac.
Kerapatan dan transparansi tajuk adalah parameter penting dalam menilai kesehatan hutan, di mana hutan dianggap sehat jika kerapatan tajuknya mencapai atau melebihi 55% dan tingkat transparansi berkisar antara 0 hingga 45%.
Pengukuran kerapatan dan transparansi tajuk menggunakan kartu skala dimanfaatkan untuk mengukur persentase cahaya matahari yang dapat masuk ke dalam dan tertahan oleh tajuk pohon .
Biasanya, parameter ini dievaluasi secara manual oleh pengamat yang berada di bawah pohon yang sedang di survei.
Penilaian yang dilakukan oleh pengamat untuk mengukur persentase kerapatan dan transparansi tajuk adalah seragam untuk semua jenis pohon, termasuk pohon jenis daun jarum.
Pohon jenis daun jarum memiliki bentuk tumbuh yang cenderung kerucut ke atas, sehingga cenderung menahan lebih banyak cahaya matahari yang masuk ke dalam daerah tajuk pohon tersebut .
Implementasi dengan menggunakan kartu skala saat ini masih cenderung kurang efektif karena mengandalkan pengamatan visual dan membandingkannya dengan kartu skala secara manual.
Masalah ini dapat diatasi dengan mengadopsi teknologi komputasi, salah satunya adalah menggunakan teknologi citra digital.
Teknologi citra digital yang terus berkembang memainkan peran penting dalam memudahkan penentuan skala kerapatan dan transparansi tajuk pohon.
Tujuan utama dari penggunaan klasifikasi citra adalah untuk meningkatkan kemampuan manusia dalam memahami dan menganalisis informasi dari citra digital.
Salah satu pendekatan yang sangat cocok untuk menentukan kerapatan dan transparansi tajuk pohon adalah dengan menggunakan metode deep learning, yang menggunakan arsitektur Convolutional Neural Network (CNN).
CNN merupakan jenis jaringan saraf tiruan yang terinspirasi oleh cara pengolahan visual pada objek .
Arsitektur CNN memungkinkan banyak lapisan untuk menyimpan dan memproses ciri-ciri objek dalam gambar dengan efisiensi yang tinggi .
CNN telah menjadi salah satu model deep learning yang paling umum digunakan dalam klasifikasi gambar, deteksi kesamaan, dan pengenalan objek .
Arsitektur CNN yang populer adalah Visual Geometric Group (VGG.
VGG16 terdiri dari 13 lapisan konvolusi dan 3 lapisan fully connected dengan bobot, serta mampu mengolah gambar dengan tiga saluran warna RGB (Red.
Green, and Blu.
Penelitian terdahulu terkait penggunaan arsitektur VGG16 dipakai untuk mengklasifikasikan bunga menggunakan metode VGG16.
Klasifikasi bunga dengan arsitektur VGG16 memperoleh akurasi sebesar 95% pada proses training dan 91% pada proses testing.
Penelitian ini mengambil dataset dari kaggle yang terdiri dari 4323 data untuk lima kelas.
Dataset dibagi dengan 70% data training, 20% data testing dan 10% data validation .
Sedangkan penelitian terdahulu terkait penggunaan kartu skala tersebut digunakan untuk menentukan kondisi kesehatan hutan di blok koleksi tumbuhan dan satwa Taman Hutan Raya Wan Abdul Rachman Provinsi Lampung .
Penelitian ini melibatkan pelatihan arsitektur VGG16 dikarenakan model ini mampu melakukan klasifikasi hingga 14 juta citra dengan 100 kelas yang berbeda .
Dengan dataset yang berbeda, penelitian ini bertujuan untuk melakukan klasifikasi terhadap tingkat kerapatan dan transparansi tajuk daun jarum berdasarkan kartu skala sebanyak empat jenis pohon yang berbeda.
Setiap jenis pohon memiliki 1000 gambar, dan ada 10 tingkatan skala untuk parameter kerapatan dan transparansi, dengan rentang mulai dari 5% hingga METODOLOGI Setiap tahapan pada penelitian ini dijabarkan melalui diagram alir yang menjelaskan secara lengkap langkah-langkah dari penelitian ini yang terdapat pada Gambar 1.
Pengumpulan Citra Jenis Daun Jarum Langkah awal dalam penelitian adalah mengumpulkan gambar-gambar pohon jenis daun jarum sebagai sumber data utama.
Gambar-gambar ini diperoleh dari blok tradisional Tahura WAR Kemiling serta daerah sekitar Universitas Lampung.
Jenis daun jarum yang dikumpulkan berjumlah empat yaitu araucaria heterophylla, pinus merkusii, cupressus retusa, dan shorea javanica.
Dengan melibatkan 15 responden, penelitian ini memastikan adanya variasi dalam penilaian yang dapat membantu dalam mengklasifikasikan skala kerapatan dan transparansi dengan lebih akurat.
Preprocessing Data Preprocessing data dilakukan guna menyiapkan kumpulan data sebelum memasukkannya ke dalam tahap pelatihan model .
Langkah-langkah dalam preprocessing citra daun jarum terdiri dari mengubah ukuran dan meningkatkan jumlah data.
Pada tahap perubahan ukuran, citra daun jarum dari semua varietas Klasifikasi Skala Kerapatan dan Transparansi Tajuk.
(Tarigan et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 pohon akan dikurangi ukuran pikselnya hingga mencapai dimensi 224x224 piksel .
Jumlah data dalam dataset yang telah dikumpulkan masih terbilang kurang, sehingga diperlukan augmentasi data untuk menambah jumlah data yang tersedia .
Dalam proses augmentasi data, operasi yang digunakan mencakup flip vertikal, flip horizontal, dan zoom dengan faktor 0.
sehingga jumlah gambar pada setiap kelas mencapai Dataset jenis daun jarum ini disimpan dalam Google Drive untuk memudahkan pemrosesan data dengan model yang diprogram dalam Google Colab.
Dataset juga disimpan dalam komputer Tesla K80.
Setiap gambar jenis pohon disimpan dalam empat folder yang berbeda berdasarkan label kelas kerapatan dan transparansinya.
Mesin akan membaca dataset ini pada awal prosesnya dan kemudian memprosesnya sesuai dengan kelas yang tertera dalam setiap folder.
Hasil dari preprocessing citra daun jarum dapat ditemukan dalam Tabel 1.
Tabel 1.
Dataset Citra Jenis Daun Jarum
Kelas Kerapatan Dan Transparansi Tajuk
D5_T95
D15_T85
D25_T75
D35_T65
D45_T55
D55_T45
D65_T35
D75_T25
D85_T15
D95_T5
Total Pinus Jenis Pohon Araucaria Cupressus Shorea Gambar 1.
Metodologi Penelitian MALCOM - Vol.
3 Iss.
2 October 2023, pp: 253-263 MALCOM-03.
: 253-263
Pembagian Dataset Pembagian data yang dilakukan adalah membagi data menjadi 3 bagian utama, yaitu data training, data validation dan data testing.
Data training merupakan komponen kunci dalam proses melatih model.
Sebanyak 70% dari jumlah total gambar akan diambil sebagai bagian dari data pelatihan .
Data Validation digunakan untuk memverifikasi kinerja model dan memastikan bahwa model tersebut dapat bekerja dengan baik pada data yang tidak pernah dilihat sebelumnya.
Dalam penelitian ini, sebanyak 10% dari seluruh gambar akan digunakan sebagai data validasi.
Proses validasi ini membantu memastikan bahwa model mampu menggeneralisasi dengan baik pada data yang berbeda dari data pelatihan .
Data testing memiliki peran penting dalam evaluasi kinerja model yang telah dilatih .
Dalam penelitian ini, sebanyak 20% dari keseluruhan gambar akan digunakan sebagai data uji.
Data uji ini memungkinkan untuk menguji sejauh mana model yang telah dilatih mampu melakukan prediksi dengan baik pada data yang belum pernah dilihat sebelumnya, dan hasil pengujian ini membantu mengukur keakuratan dan kinerja keseluruhan dari model yang Model VGG16 Daun Jarum Proses pelatihan model dalam penelitian ini memanfaatkan arsitektur VGG16.
Pelatihan dilakukan menggunakan alat seperti Google Colab dan Jupyter Notebook dengan penyesuaian beberapa hyperparameter yang krusial, seperti epoch, batch-size, optimizer, dan learning-rate.
Hyperparameter ini memainkan peran kunci dalam memengaruhi keberhasilan pelatihan dan pengujian model .
Nilai hyperparameter yang digunakan terdapat pada Tabel 2.
Tabel 2.
Hyperparameter model
Hyperparameter Epoch
Batch-size Optimizer Learning-rate Jenis/Nilai Adam
0,001
Hasil Akurasi Model VGG16 Hasil akurasi pelatihan model menunjukkan sejauh mana model dapat memahami dan menggeneralisasi pola dalam data .
Akurasi pelatihan yang tinggi mungkin menunjukkan bahwa model telah mempelajari data pelatihan dengan baik, tetapi tidak selalu mencerminkan kemampuan model untuk bekerja dengan data yang belum pernah dilihat sebelumnya.
Confusion Matrix Confusion matrix diperoleh setelah proses pelatihan model pada data pelatihan dan validasi selesai.
Saat menguji model, data uji digunakan untuk mengevaluasi performa model yang telah dilatih sebelumnya.
Evaluasi kinerja model ini dapat dilakukan dengan menggunakan confusion matrix untuk menghitung metrikmetrik seperti akurasi .
F1-score, recall, dan presisi .
HASIL DAN ANALISIS
Pada bagian ini, akan dijelaskan hasil dan pembahasan dalam proses klasifikasi kerapatan dan transparansi pada pohon jenis daun jarum dengan arsitektur CNN VGG16.
Analisis dan hasil evaluasi dari proses klasifikasi dan implementasi, dijelaskan dalam bagian ini.
Adapun hal utama yang akan dibahas dalam bab ini adalah hasil akurasi dan evaluasi model pada setiap jenis pohon daun jarum.
Model VGG16 Daun Jarum Model CNN VGG16 terdiri dari total 13 lapisan konvolusi, 5 lapisan pooling, 3 lapisan fully-connected, dan 1 lapisan output .
Dalam percobaan ini, model VGG16 memproses input layer dengan resolusi 224 x 224 piksel dan tiga saluran warna (RGB).
Proses tersebut kemudian melibatkan 13 lapisan konvolusi, dan di setiap lapisan konvolusi, fungsi aktivasi ReLU digunakan setelah operasi konvolusi.
Selain itu, beberapa lapisan max pooling diterapkan pada beberapa lapisan konvolusi dengan menggunakan filter 2x2.
Ini berfungsi untuk mereduksi dimensi spasial dari gambar daun jarum dan pada saat yang sama membantu mengurangi jumlah parameter yang diperlukan dalam jaringan.
Setelah melalui serangkaian lapisan konvolusi dan max pooling, fitur-fitur yang diambil dari gambar kemudian disambungkan ke dalam lapisan fully-connected yang terdiri dari 4096 neuron di setiap lapisannya.
Lapisan output terakhir terdiri dari 1000 neuron, yang sesuai dengan jumlah kelas dalam dataset ImageNet, yang sering digunakan untuk melatih model pengenalan gambar.
Lapisan output ini biasanya menggunakan fungsi aktivasi softmax untuk menghasilkan probabilitas untuk setiap kelas.
Arsitektur VGG16 pada daun jarum dapat dilihat pada Gambar 2.
Klasifikasi Skala Kerapatan dan Transparansi Tajuk.
(Tarigan et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Gambar 2.
Arsitektur VGG16 pada jenis daun jarum Hasil Akurasi Model VGG16 Daun Jarum Dalam bagian ini akan dibahas tingkat akurasi dan loss pada empat jenis pohon daun jarum, diantaranya pinus merkusii, araucaria heterophylla, cupressus retusa, dan shorea javanica.
Pinus Merkusii Model VGG16 mencapai tingkat akurasi sebesar 90.
00% dalam mengklasifikasikan kelas kerapatan dan transparansi pohon pinus merkusii ketika diperlakukan dengan mesin GPU Tesla K80, dan ini dicapai dalam waktu 110.
00 detik.
Gambar 3.
Grafik accuracy dan loss model VGG16 pinus merkusii dengan GPU Tesla K80 Ilustrasi di atas menunjukkan grafik akurasi dan loss yang dihasilkan selama pelatihan model VGG16 pinus merkusii dengan penggunaan GPU Tesla K80.
Pada Gambar 3a, terlihat bahwa tingkat akurasi model bersifat fluktuatif, walaupun secara keseluruhan terdapat peningkatan yang sedikit dari satu epoch ke epoch berikutnya.
Terdapat penurunan yang terlihat pada epoch ke-7, tetapi kemudian mengalami peningkatan kembali pada epoch berikutnya.
Fluktuasi dalam tingkat akurasi selama pengujian dianggap wajar karena merupakan bagian dari proses penyesuaian model terhadap data yang belum pernah dilihat sebelumnya.
Hasil pelatihan menunjukkan bahwa akurasi pada data latihan mencapai 100%, sementara data validasi mencapai akurasi sebesar 90.
Di sisi lain.
Gambar 3b menggambarkan perubahan dalam nilai kerugian .
pada model VGG16 untuk klasifikasi pohon pinus merkusii.
Meskipun terjadi penurunan dalam nilai loss, grafiknya tidak stabil.
Terdapat peningkatan dalam nilai loss pada epoch ke-7, ke-8, dan ke-9, namun nilai loss kembali menurun pada epoch selanjutnya.
Nilai akhir loss pada data pelatihan adalah sekitar 2.
11%, sedangkan pada data validasi mencapai sekitar 34.
Secara keseluruhan, grafik dari model VGG16 yang menggunakan GPU Tesla K80 menunjukkan variasi yang tidak terlalu signifikan dari satu epoch ke epoch Araucaria Heterophylla Model VGG16 untuk klasifikasi pohon araucaria heterophylla dalam menentukan kelas kerapatan dan transparansi, saat dijalankan menggunakan mesin GPU Tesla K80, mencapai tingkat akurasi 00% dalam waktu 85.
00 detik.
MALCOM - Vol.
3 Iss.
2 October 2023, pp: 253-263 MALCOM-03.
: 253-263
Gambar 4.
Grafik accuracy dan loss model VGG16 araucaria heterophylla dengan GPU Tesla K80 Ilustrasi dalam Gambar 4 menggambarkan grafik akurasi dan loss selama proses pelatihan model VGG16 untuk klasifikasi kelas kerapatan dan transparansi pohon araucaria heterophylla menggunakan GPU Tesla K80.
Dalam Gambar 4a, terlihat bahwa tingkat akurasi model hampir konstan, walaupun secara keseluruhan terjadi peningkatan yang sedikit dari satu epoch ke epoch berikutnya.
Terjadi penurunan pada grafik pada epoch 6, 7, dan 9, tetapi kemudian mengalami peningkatan kembali pada epoch berikutnya, hingga mencapai epoch 10.
Variasi tingkat akurasi yang naik dan turun selama pelatihan dianggap sebagai bagian yang normal karena model sedang beradaptasi dengan data yang belum pernah dilihat sebelumnya.
Akurasi pada data pelatihan mencapai 100%, sementara data validasi mencapai akurasi sebesar 92.
Sementara itu.
Gambar 4b menunjukkan perubahan dalam nilai kerugian .
pada model VGG16 untuk klasifikasi pohon araucaria heterophylla.
Meskipun terjadi penurunan dalam grafik, namun kerugian tidak stabil.
Terdapat peningkatan pada nilai loss pada epoch 6, yang kemudian mengalami penurunan pada epoch selanjutnya, namun kembali meningkat pada epoch Nilai akhir dari loss pada data pelatihan adalah sekitar 0.
89%, sedangkan pada data validasi mencapai sekitar 21.
Cupressus Retusa Model arsitektur VGG16 yang diterapkan pada klasifikasi kerapatan dan transparansi pohon cupressus retusa, saat dijalankan menggunakan mesin GPU Tesla K80, berhasil mencapai tingkat akurasi sebesar 00% dalam waktu 95.
00 detik.
Gambar 5.
Grafik accuracy dan loss model VGG16 cupressus retusa, dengan GPU Tesla K80 Ilustrasi pada Gambar 5 menggambarkan grafik akurasi dan loss selama proses pelatihan model VGG16 untuk mengenali persentase kerapatan dan transparansi pohon cupressus retusa dengan menggunakan GPU Tesla K80.
Dalam Gambar 5a, terlihat bahwa tingkat akurasi model tidak konsisten, meskipun secara keseluruhan terjadi peningkatan yang sedikit dari satu epoch ke epoch berikutnya.
Grafik tetap stabil dalam rentang epoch 3 hingga epoch 10.
Variabilitas dalam tingkat akurasi selama pengujian dianggap wajar karena merupakan bagian dari proses penyesuaian model terhadap data yang belum pernah dilihat sebelumnya.
Akurasi pada data pelatihan mencapai 100%, sementara data validasi mencapai akurasi sekitar 96.
Di sisi lain.
Gambar 5b menggambarkan perubahan dalam nilai kerugian .
pada model VGG16 untuk pohon cupressus retusa.
Meskipun terjadi penurunan dalam grafik, nilai kerugian tidak stabil.
Terdapat peningkatan loss pada epoch 9, yang kemudian turun kembali pada epoch berikutnya.
Nilai akhir loss pada data pelatihan adalah sekitar 1.
18%, sedangkan pada data validasi mencapai sekitar 12.
Klasifikasi Skala Kerapatan dan Transparansi Tajuk.
(Tarigan et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Shorea Javanica Model VGG16 yang diterapkan pada klasifikasi kerapatan dan transparansi pada pohon shorea javanica, saat dijalankan dengan menggunakan mesin GPU Tesla K80, berhasil mencapai tingkat akurasi sebesar 99.
00% dalam waktu 100.
00 detik.
Gambar 6.
Grafik accuracy dan loss model VGG16 shorea javanica, dengan GPU Tesla K80 Gambar 6 menggambarkan grafik akurasi dan kerugian selama proses pelatihan model VGG16 untuk mengenali kerapatan dan transparansi pada pohon shorea javanica menggunakan GPU Tesla K80.
Dalam Gambar 6a, terlihat bahwa tingkat akurasi model tidak konsisten, meskipun secara keseluruhan terjadi peningkatan yang sedikit dari satu epoch ke epoch berikutnya.
Stabilitas dalam grafik terlihat mulai dari epoch 3 hingga epoch 10.
Akurasi pada data pelatihan mencapai 100%, sementara data validasi mencapai akurasi sekitar 99.
Sementara itu.
Gambar 6b menggambarkan perubahan dalam nilai kerugian .
pada model VGG16 untuk pohon shorea javanica.
Meskipun terjadi penurunan dalam grafik, nilai kerugian tidak konsisten.
Terdapat peningkatan loss pada epoch 5 dan 8, yang kemudian turun kembali pada epoch berikutnya.
Nilai akhir dari loss pada data pelatihan adalah sekitar 11%, sedangkan pada data validasi mencapai sekitar 2.
Evaluasi Model VGG16 Daun Jarum Evaluasi model mencakup confusion matrix pada citra empat jenis pohon jenis daun jarum berdasarkkan kelas kerapatan dan transparansi daun jarum.
Confusion Matrix Pinus Merkusii Tingkat akurasi pengujian model VGG16 dalam menentukan kerapatan dan transparansi pada pohon pinus merkusii di mesin Tesla K80 adalah sekitar 91%.
Informasi tentang nilai dari confusion matrix untuk klasifikasi kerapatan dan transparansi pohon pinus merkusii dapat ditemukan dalam Tabel 3.
Tabel 3.
Precision.
Recall.
F1-score Arsitektur VGG16 Pohon Pinus merkusii Kelas Kerapatan dan Transparansi
Daun Jarum
D5,T95
D15,T85
D25,T75
D35,T65
D45,T55
D55,T45
D65,T35
D75,T25
D85,T15
D95,T5
Accuracy Error Precision Hasil Recall F1-score Tabel di atas memaparkan nilai precision, recall, dan f1-score dari arsitektur VGG16 yang digunakan untuk mengklasifikasikan nilai kerapatan dan transparansi pada pohon pinus merkusii.
Precision terbaik terjadi pada kelas dengan tingkat kerapatan 5, 45, 55, dan 85, yang mencapai 100%.
Sementara itu, precision terendah terjadi pada kelas dengan tingkat kerapatan 15, yaitu sebesar 72.
Hasil ini muncul karena ada 5 kasus false positive (FP) pada kelas kerapatan 15 yang seharusnya termasuk dalam kelas kerapatan 5, 2 FP pada kelas kerapatan 35, dan 1 FP pada kelas kerapatan 65.
Recall tertinggi ditemukan pada kelas dengan tingkat kerapatan 45 dan 75, mencapai 100%.
Sementara itu, recall terendah terjadi pada kelas dengan tingkat kerapatan 95, yaitu sebesar 76.
Ini disebabkan oleh 5 MALCOM - Vol.
3 Iss.
2 October 2023, pp: 253-263 MALCOM-03.
: 253-263
false negative (FN) pada kelas kerapatan 95 yang seharusnya termasuk dalam kelas kerapatan 25 dan 2 FN pada kelas kerapatan 75.
F1-score tertinggi ditemukan pada kelas kerapatan 45, sementara nilai F1score terendah terdapat pada kelas kerapatan 15.
Confusion Matrix Araucaria Heterophylla Tingkat akurasi pengujian model VGG16 dalam menentukan kerapatan dan transparansi pada pohon araucaria heterophylla di mesin Tesla K80 adalah sekitar 93.
Informasi tentang nilai dari confusion matrix untuk klasifikasi kerapatan dan transparansi pohon araucaria heterophylla dapat ditemukan dalam Tabel 4.
Tabel 4.
Precision.
Recall.
F1-score Arsitektur VGG16 Pohon Araucaria Heterophylla
Kelas Kerapatan dan Transparansi
Daun Jarum
D5,T95
D15,T85
D25,T75
D35,T65
D45,T55
D55,T45
D65,T35
D75,T25
D85,T15
D95,T5
Accuracy Error Precision Hasil Recall F1-score Tabel di atas memperlihatkan nilai precision, recall, dan f1-score dari arsitektur VGG16 pada klasifikasi kerapatan dan transparansi pohon araucaria heterophylla.
Precision terbaik diperoleh oleh kelas dengan kerapatan 25, 45, 65, 75, dan 95, mencapai 100%.
Sementara itu, precision terendah terdapat pada kelas dengan kerapatan 15, yaitu sekitar 65.
Hal ini disebabkan oleh adanya 6 kasus false positive (FP) pada kelas kerapatan 15 yang seharusnya termasuk dalam kelas kerapatan 55 .
FP) dan kelas kerapatan 65 .
FP).
Recall tertinggi ditemukan pada kelas dengan kerapatan 5, 35, 45, 75, dan 95, mencapai Sementara itu, recall terendah terjadi pada kelas dengan kerapatan 55, yaitu sekitar 67.
Hal ini disebabkan oleh adanya 7 kasus false negative (FN) pada kelas kerapatan 55 yang seharusnya termasuk dalam kelas kerapatan 15 .
FN) dan kelas kerapatan 85 .
FN).
F1-score tertinggi terdapat pada kelas kerapatan 45, 75, dan 95, sementara nilai F1-score terendah terjadi pada kelas kerapatan 15.
Confusion Matrix Cupressus Retusa Tingkat akurasi pengujian model VGG16 dalam menentukan kerapatan dan transparansi pada pohon cupressus retusa di mesin Tesla K80 adalah sekitar 95.
Informasi tentang nilai dari confusion matrix untuk klasifikasi kerapatan dan transparansi pohon cupressus retusa dapat ditemukan dalam Tabel 5.
Tabel 5.
Precision.
Recall.
F1-score Arsitektur VGG16 Pohon Cupressus Retusa
Kelas Kerapatan dan Transparansi
Daun Jarum
D5,T95
D15,T85
D25,T75
D35,T65
D45,T55
D55,T45
D65,T35
D75,T25
D85,T15
D95,T5
Accuracy Error Precision Hasil Recall F1-score Tabel di atas menggambarkan nilai precision, recall, dan f1-score dari arsitektur VGG16 pada klasifikasi kerapatan dan transparansi pohon cupressus retusa.
Precision memiliki tingkat tertinggi hampir pada seluruh kelas, yakni sekitar 100%, kecuali pada kelas dengan tingkat kerapatan 5, 25, 35.
Klasifikasi Skala Kerapatan dan Transparansi Tajuk.
(Tarigan et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 75, dan 85.
Precision terendah terdapat pada kelas kerapatan 85, yaitu sekitar 83.
Hal ini disebabkan oleh adanya 4 kasus false positive (FP) pada kelas kerapatan 85, yang seharusnya termasuk dalam kelas kerapatan 5 .
FP) dan kelas kerapatan 65 .
FP).
Recall tertinggi ditemukan pada sebagian besar kelas, mencapai sekitar 100%, kecuali pada kelas dengan tingkat kerapatan 5, 15, 65, 85, dan 95.
Recall terendah terjadi pada kelas dengan tingkat kerapatan 5, yaitu sekitar 80.
Ini disebabkan oleh adanya 5 kasus false negative (FN) pada kelas kerapatan 5 yang seharusnya termasuk dalam kelas kerapatan 25 .
FN) dan kelas kerapatan 85 .
FN).
Nilai F1-score tertinggi terdapat pada kelas kerapatan 45 dan 55, mencapai sekitar 100%.
Sementara itu, nilai F1-score terendah terjadi pada kelas kerapatan 5, yakni sekitar 85.
Confusion Matrix Shorea Javanica Tingkat akurasi pengujian model VGG16 dalam menentukan kerapatan dan transparansi pada pohon shorea javanica di mesin Tesla K80 adalah sekitar 99.
Informasi mengenai nilai dari confusion matrix untuk klasifikasi kerapatan dan transparansi pohon shorea javanica dapat ditemukan dalam Tabel 6.
Tabel 6.
Precision.
Recall.
F1-score Arsitektur VGG16 Pohon Shorea Javanica
Kelas Kerapatan dan Transparansi
Daun Jarum
D5,T95
D15,T85
D25,T75
D35,T65
D45,T55
D55,T45
D65,T35
D75,T25
D85,T15
D95,T5
Accuracy Error Precision Hasil Recall F1-score Tabel di atas menampilkan nilai precision, recall, dan f1-score dari arsitektur VGG16 dalam klasifikasi kerapatan dan transparansi pohon shorea javanica.
Precision memiliki tingkat tertinggi pada sebagian besar kelas, yaitu sekitar 100%, kecuali pada kelas dengan tingkat kerapatan 25.
Precision terendah terjadi pada kelas kerapatan 25, yaitu sekitar 96.
Ini disebabkan oleh adanya 1 kasus false positive (FP) pada kelas kerapatan 5, yang seharusnya termasuk dalam kelas kerapatan 95.
Recall tertinggi ditemukan pada hampir semua kelas, mencapai sekitar 100%, kecuali pada kelas dengan tingkat Recall terendah terjadi pada kelas dengan kerapatan 95, yaitu sekitar 95.
Hal ini disebabkan oleh adanya 1 kasus false negative (FN) pada kelas kerapatan 95 yang seharusnya termasuk dalam kelas kerapatan 25.
Nilai F1-score tertinggi ditemukan pada hampir semua kelas kerapatan, yaitu sekitar 100%, kecuali pada kelas kerapatan 25 dan 95.
Nilai F1-score terendah terjadi pada kelas kerapatan 25 dan 95, yaitu sekitar 98.
KESIMPULAN
Pada penelitian ini identifikasi skala kerapatan dan transparansi tajuk dengan empat jenis daun jarum berhasil dilakukan dengan baik menggunakan arsitektur VGG16 dengan perwakilan hyperparameter tertentu.
Hasil akurasi yang didapatkan oleh arsitektur VGG16 dengan menggunakan mesin tesla K80 terhadap gambar pohon daun jarum pinus merkusii sebesar 90.
00%, pada pohon araucaria heterophylla sebesar 92.
00%, pada pohon cupressus retusa sebesar 96.
00%, dan pada pohon shorea javanica sebesar 99.
Hasil analisis misklasifikasi pada arsitektur VGG16 dengan citra pohon pinus merkusii sebanyak 19 citra, dengan citra pohon araucaria heterophylla sebanyak 15 citra, dengan citra pohon cupressus retusa sebanyak 10 citra, dan dengan citra pohon shorea javanica sebanyak 1 citra.
Terjadinya misklasifikasi dikarenakan adanya citra yang memiliki pola dan posisi yang serupa.
Nilai ketepatan model dalam memprediksi kelas kerapatan dan transparansi pada empat jenis daun jarum .
dan nilai efektivitas pencarian data uji dalam menemukan kelas kerapatan dan transparansi pada empat jenis daun jarum .
, menggunakan augmentasi flip vertical, flip horizontal, dan zoom menghasilkan rata-rata precision dan recall masing masing sebesar 91.
00% pada citra pinus merkusii, untuk citra araucaria heterophylla menghasilkan rata-rata precision dan recall masing masing sebesar 92.
50% dan 92.
10%, untuk citra cupressus retusa menghasilkan rata-rata precision dan recall MALCOM - Vol.
3 Iss.
2 October 2023, pp: 253-263 MALCOM-03.
: 253-263
masing masing sebesar 95.
50% dan 95.
30%, dan untuk citra shorea javanica menghasilkan rata-rata precision dan recall masing masing sebesar 99.
60% dan 99.
REFERENSI