Identifikasi lahan kosong Kota Batu berbasis Citra Google Earth menggunakan Algoritma Convolutional Neural Network (CNN)

ABSTRACT

Identification of vacant land based on Google Earth imagery is axresearch materialxthat is currentlyxbeingdeveloped. The details of the characteristics that must be captured make researchers competing to find the mostxsuitable method forxidentification. The Convolutional Neural Network (CNN) algorithmxisxone ofxthexalgorithmsxcurrentlyxmost favoredxin thexfield ofxclassification and identification of objects at this time. The data used in this study there is data in the form of image cropping results from Google Earth imagery. Before the data is trained, the data will be preprocessed, including crop, using an RGB image, and then segmented. After that the algorithm will be trained using 1300 images divided into 2 classes. With an image size of 32x32 pixels, then trained with 1000 epochs and a learning rate of 0.001. After that, the model that has been trainedis tested on 300 new images. From these studies the results obtained in the form of training accuracy of 99.6% and testing accuracy of 86.34%

ABSTRAK

Identifikasi lahan kosong Kota Batu berbasis citra google earth adalah materi penelitian yang saat ini terus dikembangkann. Detailnya ciri yang mesti ditangkap membuat para peneliti berlomba-lomba menemukan metode yang paling cocok untuk melakukan identifikasi. Algoritma Convolutional Neural Network (CNN) menjadi salah satu algoritma yang saat ini paling diunggulkan dalam bidang klasifikasi dan identifikasi objek saat ini. Data yang digunakan pada penelitianxini ada data berupa citra hasil cropping dari citra google earth. Sebelum data dilatih, data akan dilakukan preprocessing antara lain crop, menggunakan citra RGB, kemudian diaugmentasi. Setelah itu algoritma akan dilatih menggunakan citra sebanyak 1300 citra yang dibagi menjadi 2 kelas. Dengan ukuran citra sebesar 32x32 pixel, kemudian dilatih dengan 1000 epoch dan learning rate 0.001. Setalah itu, model yang sudah dilatih dilakukan pengujian pada 300 citra baru. Dari penelitian tersebut didapatkan hasil berupa akurasi training sebesar 99,6% dan akurasi testinggsebesar 86,34%.