BAB II

TINJAUAN PUSTAKA
2.1 Studi Literatur
Studi literatur merupakan penelitian terdahulu yang telah dilakukan sebelumnya dan
dipublikasi , hasil dari penelitian sebelumnya ditampilkan pada tabel dibawah ini.

No Penulis Tahun Judul Keterkaitan

1 Yang Long, 2017 Accurate Object Localization In Menjelaskan

Yiping Remote Sensing Images Based Metode CNN
Gong, On Convolutional Neural
Zhifeng Networks
Xiao, and
Qing Liu

2 Nurulain 2019 Young And Mature Oil Palm Menjelaskan

Abd Mubin, Tree Detection And deteksi pohon
Eiswary Counting Using Convolutional dan cara
Nadarajoo, Neural Network Deep perhitungan
Helmi Learning Method pohon
Zulhaidi
Mohd Shafri
& Alireza
Hamedianfar

3 Xinni Liu, Oktober 2020 Automatic Detection Of Oil Mendeteksi

Kamarul Palm Tree From Uav Images pohon dari
Hawari Based On gambar
Ghazali, The Deep Learning Method UAV/Drone
Fengrong
Han, and
Izzeldin
Ibrahim
Mohamed

4 Abner Oktober 2017 Webgis Model Of Agricultural Menjelaskan

Doloksaribu Land Management Using A pemetaan
, Heru Remote Sensing Technique In berbassis
Ismanto, Merauke Regency Of Papua WebGIS
Susanto And
Diana Sri
Susanti,

5 Mei 2018 Menjelaskan

IMPLEMENTASI METODE
CONVOLUTIONAL NEURAL implementasi
 Erlyna Nour menggunakan
Arrofiqoh NETWORK UNTUK metode CNN
KLASIFIKASI TANAMAN
dan PADA CITRA RESOLUSI
Harintaka TINGGI

6 Agustus 2018 Menjelaskan

Sarirotul Implementasi Deep Learning
Pada implementasi
Ilahiyah dan
Identifikasi Jenis Tumbuhan menggunakan
Agung Berdasarkan Citra Daun
Menggunakan Convolutional metode CNN
Nilogiri
Neural Network

2018
Penghitungan Pohon Kelapa Perhitungan
Yasirun
7 Sawit Dengan Mengidentifikasi pohon
Azzakirot
Pohon Menggunakan Algoritma otomatis
Haar-Cascade Classifier
A convolutional neural network Menghitung
Lucas Prado Desember approach for counting and
8 pohon dengan
Osco, dkk. 2019 geolocating
citrus-trees in UAV metode CNN
multispectral imagery
Abner Oktober 2017
Doloksaribu Webgis Model of Agricultural Pemetaaan
9 , Heru Land Management Using a berbasis
Remote Sensing Technique in
Ismanto, Merauke Regency of Papua webGIS
dkk.

Hepi 2018
Accurate Object Localization in Akurasi objek
Hapsari Remote Sensing Images Based
10 citra dengan
Handayani, on Convolutional Neural
Networks metode CNN
dkk.

2.2 Landasan Teori

2.2.1 Tanaman Mangrove

Mangrove adalah jenis tanaman dikotil yang hidup di habitat air payau dan
air laut. Mangrove merupakan tanaman hasil dari kegiatan budidaya atau diambil
dari alam. Tanaman mangrove tidak dilindungi/dilarang untuk memanfaatkan
bagian-bagian tanaman tersebut, misalnya dimanfaatkan untuk dijadikan bahan
baku kosmetik/farmasi atau bahan tambahan tekstil [2].

Jenis ini lebih condong tumbuh di daerah berlumpur, di mana terjadinya

penumpukan dan akumulasi bahan organik. Terutama di daerah teluk dan daerah
yang terlindung dari pengaruh ombak. Terlebih lagi daerah muara sungai, di mana
air melambat dan mengendapkan lumpur yang dibawa air yang berada
dari hulu sungai. Hutan bakau tumbuh di atas tanah liat berlumpur, bercampur
dengan bahan organik. Pada umumnya bisa ditemukan di beberapa tempat
bersama bahan organik yang forsinya yang tinggi. Tingginya bahan organik bisa
dipahami berasal dari daun-daun yang gugur dari hutan bakau. Disamping itu juga
bisa ditemukan pula hutan bakau yang tumbuh di atas tanah gambut. Keseluruhan
substrat tersebut berhubungan dengan lingkungan hutan bakau tersebut berada,
boleh jadi berhubungan dengan posisi atau pohon bakau itu sendiri [3].

2.2.2 Remote Sensing

Remote sensing atau Penginderaan jauh didefinisikan sebagai ilmu dalam
mengumpulkan informasi suatu objek tanpa menyentuh atau berkontak fisik
langsung dengan objek tersebut. Secara umum, penginderaan jauh berkaitan
dengan pengolahan citra dalam mengetahui atau mengamatai suatu fenomena di
muka bumi. Prinsip dasar dari penginderaan jauh adalah adanya rekaman interaksi
antara gelombang elektronik dan objek di muka bumi yang tertangkap oleh sensor
penangkap gelombang. Penangkap gelombang ini dapat berupa satelit, pesawat,
atau pesawat tanpa awak [4].

2.2.3 Deep Learning

Deep Learning merupakan sebuah metode pembelajaran terhadap data yang
bertujuan untuk membuat representasi (abstraksi) data secara bertingkat
 menggunakan sejumlah layer pengolahan data. Deep learning mampu membuat
representasi data secara bertingkat tanpa diprogram secara eksplisit melainkan
dengan proses optimasi yang dilakukan menggunakan algoritma pembelajaran
[5].
Proses pembelajaran model deep learning memungkinkan implementasi
secara paralel sehingga bisa memanfaatkan kapasitas GPU (Graphic Processing
Unit) dan TPU (Tensor Processing Unit). Selain itu pembelajaran yang bersifat
iteratif memungkinkan model dapat menggunakan dataset dengan skala besar.
Data yang digunakan sebagai input proses pembelajaran tidak membutuhkan
rekayasa fitur sehingga deep learning dikenal sebagai algoritma pembelajaran
yang sederhana [6].

2.2.4 Convolutional Neural Network

Convolutional Neural Network (CNN atau ConvNet) adalah salah
satu algoritma dari deep learning yang merupakan pengembangan dari
Multilayer Percepton (MLP) yang dirancang untuk mengolah data dalam
bentuk dua dimensi, misalnya gambar atau suara. CNN digunakan untuk
mengklasifikasi data yang terlabel dengan menggunakan metode supervised
learning. Cara kerja dari supervised learning adalah terdapat data yang dilatih
dan terdapat variabel yang ditargetkan sehingga tujuan dari metode ini adalah
mengelompokkan suatu data ke data yang sudah ada [7].

2.2.5 Sistem Informasi Geografis

Sistem Informasi Geografis (SIG) adalah sistem informasi pemetaan
berbasis komputer yang digunaan untuk memasukkan, menyimpan, memanggil
kembali, mengolah, menganalisis dan menghasilkan data bereferensi geografis
atau data geospatial. Untuk mendukung pengambulan keputusan dalam
perencanaan dan pengelolaan penggunaan lahan, sumber daya alam, lingkungan,
transportasi, fasilitas kota dan pelayanan umum lainnya. Teknologi Sistem
Informasi Geografis juga dapat digunakan untuk investigasi ilmiah, pengelolaan
sumber daya, perencanaan pembangunan, kartografi dan perencanaan rute. Hasil
akhir dari proses GIS diwujudkan dalam peta atau grafik, Peta sangatlah efektif
untuk menyimpan memvisualisasikan dan memberikan informasi geografis [8].