Anda di halaman 1dari 19

PROPOSAL TUGAS AKHIR

RENCANA JUDUL

IDENTIFIKASI DAUN PADA POHON BAKAU UNTUK MENENTUKAN


JENIS MENGGUNAKAN METODE DEEP CONVOLUTIONAL NEURAL
NETWORK (DCNN)

LEONARDO MICHAEL
141402135

PROGRAM STUDI S1 TEKNOLOGI INFORMASI


FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2018
1.1.Latar belakang

Pemanasan global merupakan masalah yang masih belum bisa ditangani sepenuhnya sampai
saat ini. Salah satu akibat dari pemanasan global adalah mencairnya es di kutub yang
menyebabkan naiknya permukaan air laut. Dengan permukaan air laut yang terus meningkat
sehingga akan menggerus tempat yang rendah. Fenomena inilah yang disebut dengan abrasi.
Abrasi menyebabkan luas daratan terus-menerus berkurang. Data dari kementrian Kelautan
dan perikanan (KPP) menunjukkan sekitar 100 lokasi di 17 provinsi dengan Panjang pantai
sekitar 400 kilometer (km) telah tergerus. Pantai utara Jawa mengalami abrasi terparah,
mencapai 745 km atau 44 persen total Panjang garis pantainya. Total luas area yang hilang
karena abrasi di Jawa itu setara 10.988 hektar.
Salah satu cara untuk mencegah terjadinya abrasi adalah dengan menanam pohon bakau
(mangrove) di sepanjang pinggir pantai. Pohon Mangrove mempunyai sistem perakaran
yang sangat kuat sehingga yang mampu meredam energi gelombang laut yang terjadi.
Seperti tergambar dari hasil penelitian Pratikto et al. (2002) yang melaporkan bahwa di
Teluk Grajagan - Banyuwangi yang memiliki tinggi gelombang sebesar 1,09m dan energi
gelombang sebesar 1493,33 Joule, ekosistem mangrove di daerah terebut mampu mereduksi
gelombang sebesar 0,734 m dan energi gelombang sebesar 19635,26 Joule sehingga
keberadaan hutang mangrove dapat memperkecil gelombang tsunami yang menyerang
daerah pantai. Selain itu, keberadaan hutan Mangrove dapat menahan arus serta sedimen
yang di bawa oleh gelombang. Pohon mangrove juga mampu menyerap serta mengurangi
polutan pada air laut. Jaringan pada tanaman mangrove diketahui memiliki kemampuan
untuk menyerap bahan-bahan polutan berbahaya dalam air laut.
Mangrove adalah ekosistem yang secara biologis produktif dan menawarkan banyak
fungsi ekologi (Eweletal, 1998). Namun, mangrove telah diancam oleh urbanisasi, polusi
dan eksploitasi berlebihan selama beberapa dekade terakhir (Alongi, 2002). Data dari Ditjen
RLPS (2001) menginformasikan bahwa dari 9,2 juta ha hutan mangrove di Indonesia pada
tahu 1999, terdapat 5,3 juta ha diantaranya atau sekitar 57,6% dari luas hutan mangrove di
Indonesia dalam kondisi rusak, dimana sebagian besar yaitu sekitar 69,8% atau 3,7 juta ha
terdapat di luar kawasan hutan dan sisanya 30,2% atau 1,6 juta ha terdapat di dalam kawasan
hutan. Dengan kerusakan yang terus terjadi, penanaman mangrove telah dilakukan di
seluruh dunia sebagai langkah utama untuk memulihkan mangrove yang terdegradasi atau
bahkan memperluas area mangrove (Lewis, 2005). Namun, penanam pohon mangrove
masih sulit dilakukan.Hal ini dikarenakan sulitnya menentukan jenis pohon mangrove yang
sesuai dengan zona yang akan ditanami.

Salah satu cara untuk mempermudah penanaman pohon mangrove adalah dengan cara melakukan
klasifikasi pohon manggorve yang dapat tumbuh di area tersebut yaitu dengan cara mengambil
sample daun dari pohon mangrove yang sudah tumbuh sebelumnya dan melakukan identifikasi jenis
pohon manggorve tersebut sehingga didapati jenis dari pohon mangrove tersebut. Setelah
mendapatkan jenis dari pohon mangrove tersebut maka bisa dengan mudah menanam pohon
mangrove sesuai dengan jenis dari pohon mangrove yang sudah tumbuh sebelumnya.

Berdasarkan latar belekang di atas, penulis mengajukan proposal penelitian berjudul


“IDENTIFIKASI DAUN PADA POHON BAKAU UNTUK MENENTUKAN JENIS
MENGGUNAKAN METODE DEEP CONVOLUTIONAL NEURAL NETWORK (DCNN)”

1.2. Rumusan Masalah

Pengklasifikasian pohon manggrove kerap kali salah karena sulitnya untuk mengklasifikasikan
pohon manggrove berdasarkan daunnya, dibutuhkan seorang yang sudah ahli di bidang
manggrove untuk mengklasifikasikan pohon manggrove hanya dengan melihat daunnya saja.
Untuk itu diperlukan suatu sistem yang dapat mengklasifikasikan pohon manggrove berdasarkan
daunnya agar pengguna dapat mengklasifikan pohon manggrove berdasarkan daun secara tepat.

1.3. Batasan Masalah

Adapaun batasan masalah yang akan dibuat adalah sebagai berikut :

1. Daun yang digunakan adalah daun pohon manggrove yang sudah difoto secara baik dan
tidak cacat.
2. Daun yang digunakan difoto diatas wadah berwarna putih.

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat suatu sistem pengklasifikasian pohon manggrove
hanya dengan menggunakan daunnya saja agar mempermudah pengguna untuk menentukan jenis
pohon mangrove.
1.5. Manfaat Penelitian

manfaat yang diharapkan dari penelitian ini yaitu membantu pengguna untuk mengklasifikasikan
pohon manggrove hanya dengan menggunakan daun tanpa perlu untuk memotong batang dari
pohon manggrove untuk mengklasikasikan jenis dari pohon manggrove tersebut

1.6. tinjauan pustaka.

1.6.1. Pengklasifikasian pohon mangrove.

pada zaman sekarang ini penanaman pohon manggrove di pantai pantai merupakan suatu
hal yang wajib khususnya di daerah daerah yang rawan terjadi abrasi. Pohon manggrove
berguna untuk mengurangi menggerusnya pinggiran pantai akibat dari permukaan air laut
yang meningkat, Pohon Mangrove mempunyai sistem perakaran yang sangat kuat
sehingga yang mampu meredam energi gelombang laut yang terjadi.

Dengan Pengklasikasian pohon manggrove pengguna bisa lebih mudah mengklasikasikan


pohon manggrove untuk ditanam kembali hanya dengan menggunakan daun dari pohon
manggrove yang sudah terlebih dahulu tertanam di pinggir pantai.

1.6.2. Pengertian Citra Digital


1.6.2.1. Citra Digital
Citra digital dapat dinyatakan sebagi fungsi dua dimensi f(x,y), dimana x
dan y adalah posisi koordinat sedangkan f adalah amplitudo diantara x dan
y atau yang sering disebut dengan grayscale atau intensitas. Nilai
intensitas diskrit mulai dari 0 sampai dengan 255, begitu pula dengan nilai
x, y, dan f(x,y) harus terletak pada range tertentu yang terbatas jumlahnya.
Citra yang ditangkap oleh kamera dan telat dikuantisasi dalam bentuk
diskrit disebut citra digital. Citra digital tersusun dari sejumlah nilai tingkat
keabuan yang disebut pixel (Kusumanto, 2011).

1.6.2.2. Image Processing (Pengolahan Citra)


Image Processing atau pengolahan citra adalah sistem yang proses di
dalamnya meliputi proses masukan dan hasil berupa citra. Pada awalnya
image processing ini dilakukan untuk memperoleh kualitas citra yang lebih
baik. Namun seiring berkembanganya teknologi yang ditandai dengan
peningkatan kapasitas dan kecepatan proses komputerisasi, muncul pula
ilmu-ilmu komputer yang memungkinkan manusia untuk mengambil
informasi dari suatu citra. Dengan demikian penggunaan image processing
tidak dapat dilepaskan dari computer vision.

1.6.2.3. Jenis Citra Digital


Pada umumnya cita digital dapat dibagi menjadi tiga jenis, yaitu color
image, grayscale, dan binary image.
1. Color Image atau RGB (Red, Green, Blue)
Masing-masing piksel pada color image memiliki warna tertentu, yaitu
merah (Red), hijau (Green), dan biru (Blue). Apabila masing-masing
warna memiliki range 0-255, maka totalnya adalah 2553 = 16.581.375
(16K) variasi warna berbeda pada gambar. Color image terdiri dari tiga
matriks yang masing-masing mewakili nilai merah, hijau, dan biru untuk
setiap pikselnya.

Gambar 1. Contoh RGB Image (Alasdair, 2004)

2. Grayscale (Black and White)


Masing-masing piksel dari citra digital grayscale (black and white)
memilliki gradasi warna mulai dari putih sampai hitam. Rentang warna
pada grayscale image banyak digunakan dalam dunia kedokteran (X-
ray). Grayscale merupakan hasil rata-rata dari color image dengan
persamaan sebagai berikut
IR(x,y) + IG(x,y) + IB(x,y)
IBW(x, y) =
3
dimana :
IR(x,y) = nilai piksel Red titik (x,y)
IG(x,y) = nilai piksel Green titik (x,y)
IB(x,y) = nilai piksel Blue titik (x,y)
IBW(x, y) = nilai piksel Black and White titik (x,y)

Gambar 2. Contoh Grayscale Image (Alasdair, 2004)

3. Binary Image
Binary image hanya terdiri dari dua warna (hitam dan putih), maka
dibutuhkan 1 bit per piksel (0 dan 1) atau apabila dalam 8 bit (0 dan
255). Penerapan binary image sangat cocok diguakan untuk teks, sidik
jari, maupun gambar arsitektur. Binary image merupakan hasil
pengolahan dari black and white dengan fungsi sebagai berikut :
dimana :
IBW(x,y) = nilai piksel Gray titik (x,y)
IBin (x,y) = nilai piksel Binary titik (x,y)
T = nilai threshold

Gambar 3. Contoh Binary Image (Alasdair, 2004)

1.6.3. Algortima Canny


Canny merupakan salah satu algortima deteksi tepi yang banyak digunakan dan
diperkenalkan oleh Marr dan Hildreth. Terdapat beberapa kriteria pendeteksi tepi
optimum yang dapat dipenuhi oleh algortima Canny, yaitu :
a. Mendeteksi dengan Baik (Kriteria Deteksi)
Kemampuan untuk meletakkan menandai semua tepi yang ada sesuai dengan
pemilihan parameter-parameter konvlusi yang dilakukan. Canny juga mampu
menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan.
b. Melokalisasi dengan Baik (Kriteria Lokalisasi)
Canny mampu untuk menghasilkan jarak minimum antara tepi yang dideteksi
dengan tepi yang asli.
c. Respon yang Jelas (Kriteria Respon)
Canny hanya menyediakan satu respon untuk tiap tepi, sehingga memudahkan
pendeteksian dan tidak akan menimbulkan kerancuan pada pengolahan citra
selanjutnya. Pemilihan parameter deteksi tepi Canny sangat memperngaruhi
hasil dari tepian yang dihasilkan. Paramater tersebut yaitu Nilai Standard
Deviasi Gaussian dan Nilai Ambang.
Pendekatan algortima Canny dilakuan dengan konvlusi fungsi gambar
menggunakan operator Gaussian dan turunan-turunannya. Turunan pertama
dari fungsi citra yang dikonvkusikan dengan fungsi Gaussian yaitu
𝑔(𝑥, 𝑦) = 𝐷 [𝑔𝑎𝑢𝑠𝑠(𝑥, 𝑦) ∗ 𝑓(𝑥, 𝑦)]
Ekivalen dengan fungsi citra yang dikonvlusikan dengan turun pertama dari
fungsi Gaussian yaitu
𝑔(𝑥, 𝑦) = 𝐷[𝑔𝑎𝑢𝑠𝑠(𝑥, 𝑦)] ∗ 𝑓(𝑥, 𝑦)
Dengan demikian memungkinkan untuk kombinasi tingkat kehalusan dan
pendeteksian tepi ke dalam suatu konvlusi pada saru dimensi dengan dua arah
yang berbeda (vertical dan horizontal).
1.6.4. Artificial Neural Network (ANN)
Defenisi paling sederhana dari neural network atau yang lebih tepat disebut
dengan Artifiial Neural Network yaitu sebuah sistematika komputasi terdiri dari
proses sejumlah elemen-elemen sederhana yang saling berhubungan untuk
memproses informasi dari eksternal input secara dinamis. Pengertian tersebut
pernah disampaikan oleh penemu neuro-computers yaitu Dr. Robert Hecht-
Nielsen.
ANN merupakan suatu jaringan saraf tiruan yang digunakan untuk
menirukan cara kerja otak manusia. Dengan jaringan saraf tiruan tersebut kita
dapat memberikan semacam kecerdasan pada sistem yang akan dibangun. Dimana
pada tahap awalnya sistem akan diberikan waktu untuk belajar dan kemudian
diharapkan mampu memberi solusi dari sebuah kasus.
Pada umumnya NN diselenggarakan pada lapisan atau layer yang terdiri
dari sejumlah node yang saling berhubungan dan mengandung fungsi aktivasi.
Pada awalnya pola dimasukkan ke dalam jaringan (network) melalui layer
masukan (input layer), yang berkomunikasi dengan satu atau lebih lapisan
tersembunyi (hidden layer) dimana proses yang sebenarnya dilakukan melalui
sistem koneksi berbobot (weighted connection). Kemudian hidden layer akan
bersambung ke output layer.
Gambar 4. Ilustrasi Sederhana Cara Kerja Sistem Neural Network

ANN memiliki beberapa bentuk aturan pembelajaran (learning rule) yang


mampu memodifikasi bobotnya sesuai dengan pola masukan. Rule yang paling
umum digunakan untuk jaringan saraf tiruan adalah aturan delta atau yang biasa
disebut backpropagation (propagasi balik). Backpropagation adalah aturan yang
mempelajari kesalahan (error) secara berulang-ulang dalam setiap proses
pembelajarannya, hingga nanti pada akhirnya akan didapat sebuah pembobotan
dalam proses logikanya.
1.6.5. Convolutional Neural Networks (CNN)

Gambar 5. Artificial Neural Networks (ANN) and Convolutional Neural


Networks (CNN)
Dalam machine learning, jaringan saraf convolutional (CNN, atau ConvNet)
adalah kelas jaringan syaraf tiruan yang dalam, umpan maju, yang paling sering
digunakan untuk menganalisis citra visual.
CNN menggunakan variasi perceptron multilayer yang dirancang untuk
memerlukan pra-pemrosesan minimal. Mereka juga dikenal sebagai jaringan
syaraf tiruan invarian atau ruang invariant (SIANN), berdasarkan arsitektur
bobot-bersama dan karakteristik invariansi translasi

Jaringan konvolusional terinspirasi oleh proses biologis dalam pola konektivitas


antara neuron menyerupai organisasi korteks visual hewan. Neuron kortikal
individu menanggapi rangsangan hanya di wilayah terbatas dari bidang visual
yang dikenal sebagai bidang reseptif. Bagian reseptif dari neuron yang berbeda
sebagian tumpang tindih sehingga menutupi seluruh bidang visual.

CNN menggunakan pre-processing relatif sedikit dibandingkan dengan algoritma


klasifikasi gambar lainnya. Ini berarti bahwa jaringan mempelajari filter yang
dalam algoritma tradisional direkayasa. Kemerdekaan ini dari pengetahuan
sebelumnya dan usaha manusia dalam desain fitur adalah keuntungan utama.

Mereka memiliki aplikasi dalam pengenal gambar dan video, sistem rekomendasi
dan pemrosesan bahasa alami.
1.7. Metode Penelitian
Tahapan-tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut :
1. Studi Literatur
Tahapan ini merupakan proses pengumpulan dan pembelajaran informasi yang
diperoleh dari skripsi, jurnal, buku, dan berbagai sumber referensi lainnya yang
berkaitan dan mendukung penelitian.
2. Analisis Permasalahan
Tahapan ini merupakan proses analisa informasi yang sebelumnya telah diperoleh
dari berbagai sumber yang berkaitan dengan penelitian agar diperoleh suatu metode
yang tepat untuk menyelesaikan masalah yang diutarakan dalam penelitian ini.
3. Perancangan Sistem
Tahapan ini merupakan proses perancangan sistem untuk menyelesaikan
permasalahan yang telah diperoleh dari hasil analisis. Arsitektur umum dari sistem
yang akan dirancang pada penelitian ini dapat dilihat pada gambar di bawah ini.
Gambar 7. Arsitektur Umum
Gambar diatas merupakan arsitektur umum yang direncanakan dalam pembangunan
sistem yang terdiri dari 3 tahapan input, process, dan output. Adapaun penjelasan dari
ketiga proses tersebut yaitu :
1) Input
Input yang diberikan adalah hasil dari capture keadaan kendaraan di suatu
persimpangan lampu lalu lintas di kota Medan. Data tersebut akan diambil dari Dinas
Perhubungan kota Medan.
2) Process
Tahapan ini merupakan proses pengolahan dari input yang sudah diberikan
sebelumnya. Pada tahapan ini terjadi dua proses utama, yaitu image processing dan
fuzzyfikasi.
2.1. Image Enhancement
Teknik ini mampu untuk meningkatkan rasio dan menonjolkan fitur yang
dimiliki citra dengan memodifikasi warna atau intensitasnya. Hal-hal yang dapat
dilakukan untuk image enhancement antara lain mengurangi blur, manajemen
warna, transformasi gambar, dan konversi gambar.
2.2. Pre-processing
2.2.1. Resizing
Pada tahapan ini dilakukan perbaikan ukuran citra sesuai dengan yang
dibutuhkan.
2.2.2. Grayscale
Mengubah citra RGB menjadi grayscale adalah langkah awal pada
proses pengolahan citra yang sering kali dilakukan untuk penyederhanaan
model citra yang dibutuhkan.
2.3. Segmentation
2.3.1. Thresholding
Pada tahapan ini dilakukan proses pemisahan objek dari backgroundnya.
Thresholding mampu mengubah citra grayscale menjadi citra biner atau
hitam putih, atau dengan kata lain disebut juga sebagai proses binerisasi.
2.4. Feature Extraction
Feature extraction adalah proses pengambilan ciri (feature) yang selanjutnya akan
dianalisis. Dalam penelitian ini ciri yang akan diekstrak adalah bentuk.

2.4.1. Edge Detection


Dengan menerapkan algortima Canny edge detection dapat mengurangi
jumlah data yang akan diproses dan menyaring informasi yang mungkin
dianggap kurang relevan, namun tetap menjaga struktural penting dari
suatu citra dan menghitung jumlah objek yang terdeteksi.
2.5. Classification
Mengklasifikasikan dan menghitung objek kendaraan yang sudah ditentukan,
yaitu mobil dan sepeda motor dengan menggunakan logika fuzzy c-means. Hasil
objek yang dihitung pada proses ini nantinya akan digunakan sebagai input untuk
proses fuzzyfikasi dalam menentukan keadaan kepadatan kendaraan dan
menhasilkan durasi lampu hijau yang diperlukan.
2.5.1. Fuzzy C-Means
Peng-Clusteran data yang mana keberadaan tiap-tiap data dalam suatu
Cluster ditentukan oleh nilai keanggotaan. Konsep dasar Fuzzy C-Means,
pertama kali adalah menentukan pusat Cluster yang akan menandai lokasi
rata-rata untuk tiap-tiap Cluster. Pada kondisi awal, pusat Cluster ini masih
belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap
Cluster. Dengan cara memperbaiki pusat Cluster dan nilai keanggotaan
tiap-tiap data secara berulang, maka akan dapat dilihat bahwa pusat Cluster
akan bergerak menuju lokasi yang tepat.

2.6. ANFIS (Adaptive Neuro-Fuzzy Inference System)


2.6.1. Fuzzyfikasi
Memetakan nilai masukan dan keluaran dalam bentuk himpunan fuzzy
berdasarkan range untuk setiap variabelnya. Variabel yang digunakan
antara lain persentase kepadatan kendaraan dibandingkan dengan keadaan
jalan yang kosong, lamanya lampu hijau, dan waktu tunggu dari masing-
masing persimpangan lampu lalu lintas.
2.6.2. Rule Base
Aturan dasar (rule base) pada kontrol logika fuzzy merupakan bentuk
aturan relasi “if-then” atau “jika-maka” seperti berikut :
If x is A then y is B dimana A dan B adalah linguistic values yang
didefenisikan dalam rentang variabel X dan Y. Pernyataan “x is A” disebut
sebagai premis atau antecedent dan pernyataan “y is B” disebut
kesimpulan atau consequent.
2.6.3. Inference Fuzzy
Proses inferensi yang juga disebutkan sebagai proses pengambilan
keputusan ini merupakan prosedur yang digunakan untuk memproleh
sinyal pengendali logika fuzzy berdasarkan aturan yang ada.
2.6.4. Defuzzyfikasi
Input pada proses defuzzyfikasi merupakan suatu himpunan fuzzy yang
diperoleh dari komposisi aturan-aturan fuzzy. Output yang dihasilkannya
berupa suatu bilangan pada domain himpunan fuzzy tersebut. Oleh karena
itu, apabila suatu himpunan fuzzy diberikan dalam range tertentu, makan
harus dapat diambil suatu nilai crisp tertentu.
3) Output
Output yang akan diperoleh dari sistem ini yaitu Jenis Pohon mangrove sesuai
dengan hasil training dari dataset yang sudah ada dan menghasilkan jenis pohon
mangrove berdasarkan daun.

4. Implementasi dan Pengujian


Tahapan ini merupakan proses implementasi dari rancangan sistem yang telah dibuat ke
dalam bentuk program. Sistem yang dibuat akan diuji apakah sudah mampu
menghasilkan output sesuai yang diharapkan atau belum.
5. Dokumentasi dan Penyusunan Laporan
Penulis akan membuat dokumentasi dalam bentuk laporan penelitian yang berisikan hasil
penerlitian yang sudah dibuat.
Rangkuman penelitian terdahulu dapat dilihat pada table 1.

Tabel 1. Penelitian Terdahulu


No Peneliti Judul Penelitian Tahun Keterangan
1 Aulia Ilhamand Machine Learning- 2017 diperoleh perhitungan
Marza Ihsan Based Mangrove Land akurasi data dengan
Marzuki Classification On Koefisien Kappa Cohen
Wordview-2 Satellite yang sama dengan 68,32%
Image In Nusa
Lembongan Island
2 Benjamin W. An Object-Based 2011 Spesies mangrove sejati
Heumann Classification of dan spesies mangrove
Mangroves Using a asosiasi diklasifikasikan
Hybrid Decision dengan akurasi 94% pada
Tree—Support Vector tingkat objek. Namun,
Machine Approach keakuratannya buruk untuk
beberapa spesies seperti
mangrove hitam dan
kuncup, yang memiliki
akurasi 29% dan 25%.
3 Shulei Wu1, Application of image 2015 Hasil pengklasifikasian
Liya Dong, dan classification menunjukkan seluruh
Huandong Chen technology in wilayah mangrove
mangrove information berwarna abu-abu
extraction sedangkan wilayah lainnya
berwarna putih
4 Hulya Yachin Plant Phenology 2017 Akurasi yang didapat
Recognition using Deep sebesar 68.97% sampai
Learning: Deep-Pheno 82.41%. Hasil ini
dibuktikan lebih efektif
dibandingkan
menggunakan machine
learning Naïve-Bayes
classifier.
5 Dinh Ho Tong Deep Recurrent Neural 2017 Dengan classifier gated
Minh, Dino Networks for Winter Recurrent Unit (GRU)
Ienco, Raffaele Vegetation Quality didapatkan akurasi terbaik
Gaetano, Mapping via dengan persentase 99.05%
Nathalie Multitemporal SAR
Lalande, Emile Sentinel-1
Ndikumana,
Faycal Osman,
dan Pierre
Maurel
6 Md. Tahmid Agricultural Production 2017 Dari setiap pengujian
Shakoor, Output Prediction menggunakan data yang
Karishma Using Supervised berbeda-beda menunjukkan
Rahman, Machine Learning ID3 memberikan prediksi
Sumaiya Nasrin Techniques yang lebih baik
Rayta, dan dibandingkan KNNR.
Amitabha
Chakrabarty
7 Wichai Bus arrival time 2017
Treethidtaphat, prediction at any
Wasan Pattara- distance of bus route
Atikom, dan using deep neural
Sippakorn network model
Khaimook
8 Dongdong Sun, Prognosis prediction 2017
Minghui Wang, of human breast
danHuanqing cancer by integrating
Feng deep neural network
and support vector
machine: Supervised
feature extraction and
classification for
breast cancer
prognosis prediction

9 Daniel Hunting for naval 2017 Dengan DNN sederhana


Gebhardt, mines with deep didapatkan akurasi terbesar
Keyur Parikh, neural networks yaitu 98%, sedangakan
dan Iryna metode lain yaitu DNN
Dzieciuch sangat sederhana 93% dan
SVM 78%
Referensi

Sandhya Samarasinghe. Neural networks for applied sciences and engineering: from
fundamentals to complex pattern recognition. CRC Press, 2006.

Samuel, Arthur L. (1988). Computer Games I. Springer, New York, NY. pp. 335–365.
doi:10.1007/978-1-4613-8716-9_14. ISBN 9781461387183.

S. J. Russell, P. Norvig, J. F. Canny, J. M. Malik, and D. D. Edwards, Artificial Intelligence:


A Modern Approach, vol. 2. Prentice hall Englewood Cliffs, 1995.

Schmidhuber, J. (2015). "Deep Learning in Neural Networks: An Overview". Neural


Networks. 61: 85–117. arXiv:1404.7828  . doi:10.1016/j.neunet.2014.09.003. PMID
25462637

Shepherd, G.M. and Koch, C. (1990). Introduction to synaptic circuits, The Synaptic
Organisation of the Brain, G.M. Shepherd, ed., Oxford University Press, New York, pp.3–
31.

Agricultural production output prediction using Supervised Machine Learning


techniques
A Machine Learning-Based Approach for Prediction of Plant Protection Product
Deposition
Plant phenology recognition using deep learning: Deep-Pheno
Deep Recurrent Neural Networks for Winter Vegetation Quality Mapping via
Multitemporal SAR Sentinel-1
Bus arrival time prediction at any distance of bus route using deep neuralnetwork model

Prognosis prediction of human breast cancer by integrating deep neural network and
support vector machine: Supervised feature extraction and classification for breast
cancer prognosis prediction
Hunting for naval mines with deep neural networks