KLASIFIKASI SPESIES TUMBUHAN

MANGROVE BERDASARKAN CITRA DAUN

MENGGUNAKAN DEEP CONVOLUTIONAL
NEURAL NETWORK

Muhammad Iqbal Fajar, Romi Fadillah Rahmat, Onrizal

Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera Utara
Medan, Indonesia
iqbalibalbal@gmail.com, romi.fadillah@usu.ac.id , onrizal@usu.ac.id

Abstrak—Hutan mangrove merupakan salah satu
ekosistem yang paling produktif di dunia, dan menyediakan
peranan ekologis penting bagi manusia dan lingkungan
seperti: pelindung pesisir pantai dari gelombang besar,
pencegah erosi pantai, dan habitat berbagai spesies darat,
payau, dan laut. Hutan mangrove merupakan habitat ekologi
penting namun terancam keberadaannya oleh berbagai
aktivitas manusia, terutama konversi menjadi penggunaan
lahan lainnya. Indonesia memiliki hutan mangrove terluas di
dunia dan juga paling kaya dalam jumlah spesies flora dan
fauna. Pada beberapa spesies tumbuhan mangrove, terdapat
kemiripan morfologi antara satu spesies dengan spesies
lainnya, khususnya pada bagian daun. Kemiripan tersebut
menyulitkan masyarakat awam untuk mengenali dan
membedakan spesies tumbuhan mangrove tertentu.
Pengetahuan para ahli mengenai perbedaan morfologi daun
tumbuhan daun mangrove sulit untuk diwariskan, karena
pengetahuan tersebut didapat dengan pengalaman bertahun-
tahun di lapangan. Penelitian ini bertujuan untuk
memudahkan masyarakat awam dalam mengenali dan
membedakan morfologi daun spesies tumbuhan mangrove.
Untuk mencapai tujuan tersebut, penelitian ini memanfaatkan
teknik pengolahan citra digital, serta metode Deep
Convolutional Neural Network dalam melakukan klasifikasi
spesies tumbuhan mangrove. Proses klasifikasi pada penelitian
ini menggunakan parameter parameter tertentu, agar
menghasilkan model dengan kualitas yang tinggi. Setelah
dilakukan pengujian, didapatkan hasil akurasi klasifikasi
sebesar 97,5%.
laut [2], [3]. Terkhusus di Indonesia, hutan mangrove
memiliki peranan terhadap ekosistem perairan di sekitar
hutan mangrove, karena mangrove merupakan penghasil
bahan organik yang diperlukan oleh berbagai larva ikan,
kepiting, udang dan berbagai biota laut lainnya [4].
Mangrove tumbuh di lingkungan yang cukup keras bagi
tumbuhan, seperti lingkungan dengan kadar garam yang
tinggi, temperatur yang tinggi, ombak yang ekstrim, kadar
pengendapan yang tinggi, serta tanah anaerob berlumpur [5].
Tumbuhan mangrove merupakan salah satu habitat
ekologi yang dilindungi saat ini, mangrove butuh perhatian
khusus karena tumbuhan ini terlibat dalam mencegah erosi di
daerah pesisir. Penelitian yang berhubungan dengan
klasifikasi tumbuhan mangrove lebih banyak dibuat untuk
perkembangan penyebaran mangrove melalui citra satelit
spektral dibandingkan dengan menggunakan data nilai nyata
seperti data morfologi, sehingga memberikan celah bagi
peneliti untuk menggunakan data morfologi mangrove
sebagai acuan klasifikasi [6].
Morfologi daun mangrove memiliki kemiripan antara
satu dengan yang lainnya, sehingga dibutuhkan pengetahuan
khusus mengenai morfologi daun mangrove untuk dapat
membedakan spesies mangrove berdasarkan morfologi
daunnya semata. Contoh daun mangrove dapat dilihat pada
Gambar 1.

Kata kunci—Mangrove, Klasifikasi, Deep Convolutional

Neural Network, Image Processing, Data Augmentation.

I. PENDAHULUAN
Hutan mangrove adalah salah satu ekosistem yang paling
produktif di dunia, di mana hutan mangrove menyediakan (a) (b)
peran ekologis penting bagi manusia dan lingkungan, seperti:
Gambar 1. Contoh daun mangrove
sebagai pelindung pesisir pantai dari gelombang
besar/tsunami [1], sebagai wadah budidaya udang dan (a) Avicennia officinalis, (b) Bruguiera sexangula
penyediaan habitat untuk berbagai spesies darat, payau, dan
 Klasifikasi tumbuhan sangat penting untuk
mengelompokkan tumbuhan ke dalam kelas dan kategori
yang berbeda. Klasifikasi bertujuan untuk memasukkan
tumbuhan ke dalam kelompok yang mempunyai fitur umum
ke dalam kelas kelas yang sudah ditentukan. Klasifikasi ini
sangat penting untuk membantu para peneliti belajar
mengenai perilaku tanaman secara umum dan sifat sifat dari
tumbuhan tersebut [7].
Klasifikasi tumbuhan mangrove secara spesifik penting
untuk keberhasilan penanaman kembali tumbuhan
mangrove, hal ini berkaitan dengan kondisi lingkungan
mikro yang ada sehingga jenis jenis mangrove yang dapat
beradaptasi juga berbeda.
Dalam beberapa tahun terakhir, Deep Learning yang
menggunakan berbagai lapis pemrosesan informasi non-
linear untuk mengekstraksi fitur dan transformasi serta untuk
analisis pola dan klasifikasi telah terbukti dapat mengatasi
tantangan-tantangan dalam proses pengklasifikasian [8].
Diantaranya, Convolutional Neural Network (CNN) telah
menjadi arsitektur yang paling terkemuka untuk mengatasi
masalah pengidentifikasian dan pengklasifikasian citra [8].
CNN merupakan salah satu bentuk dari Artificial Neural
Network (ANN) yang terutama digunakan untuk
menyelesaikan pengenalan pola yang kompleks dari sebuah
citra dengan arsitektur yang sederhana namun tepat sasaran
[9].
Berdasarkan latar belakang di atas, penelitian ini
berfokus pada pembuatan sistem klasifikasi tumbuhan
mangrove. Selain itu dalam penelitian ini, penulis membuat
suatu sistem klasifikasi tumbuhan mangrove berdasarkan
citra daun yang akan mempermudah proses identifikasi dan
klasifikasi mangrove di lapangan.
II. IDENTIFIKASI MASALAH
Pengidentifikasian tumbuhan mangrove secara manual
membutuhkan pengetahuan khusus dari para ahli, sehingga
tidak semua orang dapat mengidentifikasikan tumbuhan
mangrove hanya dengan melihat morfologi daunnya.
Pengetahuan mengenai morfologi daun tumbuhan mangrove
yang dimiliki oleh ahli, didapatkan dengan proses belajar
selama bertahun tahun di lapangan, sehingga akan sangat
sulit untuk mewariskan pengetahuan tersebut.
Pengidentifikasian dan pengklasifikasian dengan melibatkan
ahli membutuhkan waktu dan tenaga yang lebih besar jika
dibandingkan dengan pengidentifikasian dan
pengklasifikasian secara sistem. Oleh karena itu dibutuhkan
sistem untuk mengidentifikasi serta mengklasifikasi spesies
tumbuhan mangrove berbasis komputer agar mempermudah
pengidentifikasian dan pengklasifikasian tumbuhan
mangrove.
III. PENELITIAN TERDAHULU
Sudah ada banyak penelitian mengenai klasifikasi dengan
menggunakan Deep Learning, terkhususnya klasifikasi citra
dengan menggunakan Convolutional Neural Network.
Klasifikasi tumbuhan mangrove dengan menggunakan citra
juga sudah cukup banyak dilakukan, tetapi citra yang
digunakan untuk klasifikasi merupakan citra satelit untuk
membagi zonasi dari mangrove tersebut.
Pada penelitian Faza et al. [6] telah dilakukan klasifikasi
mangrove dengan menggunakan Deep Learning. Data yang
digunakan adalah data morfologi kecambah tumbuhan
mangrove. Metode Deep Learning yang mereka gunakan
merupakan Deep Learning yang mereka namai Deep Neural
Network. Dengan menggunakan metode tersebut, mereka
mendapatkan hasil akurasi sebesar 98% dan tingkat error
sebsesar 0,1345 pada periode belajar ke-300. Data mangrove
yang digunakan bukan merupakan data citra sehingga masih
memberikan kesempatan untuk menggunakan data citra daun
sebagai objek klasifikasi.
Penelitian yang dilakukan oleh Lee et al. [10] adalah
penelitian mengenai identifikasi tumbuhan berdasarkan citra
7 organ tumbuhan tersebut menggunakan Convolutional
Neural Network. Data yang digunakan adalah dataset
PlantClef2015. Namun karena penelitian ini merupakan
bagian dari LifeClef2016 challenge, peneliti hanya
menggunakan dataset yang disediakan, dengan ketentuan
data yang tidak dikondisikan oleh peneliti. Data yang
diaugmentasi oleh peneliti hanya mencapai akurasi sebesar
71,2%, sedangkan data yang tidak diaugmentasi
membuahkan hasil akurasi sebesar 68,9%.
Hossain & Amin [11], melakukan penelitian mengenai
identifikasi tumbuhan berdasarkan citra daun dengan
menggunakan Probabilistic Neural Network. Hasil akurasi
yang didapat sebesar 91,4%. Mereka menyebutkan bahwa
kelemahan terbesar pada sistem mereka adalah
dibutuhkannya peran pengguna untuk melakukan pre-
processing.
Şekeroǧlu & Inan [7], melakukan penelitian mengenai
identifikasi daun menggunakan Neural Network. Neural
network yang mereka gunakan adalah Backpropagation
Neural Network. Hasil penelitian mereka menghasilkan
akurasi tertinggi sebesar 97,2%. dan akurasi terendah sebesar
79,6%, menggunakan data yang menurut mereka memiliki
banyak noise.
Jeon & Rhee [12], membuat suatu sistem identifikasi
daun tumbuhan menggunakan Convolutional Neural
Network. Sistem yang mereka buat berhasil mencapai
akurasi sebesar 99,8%. dalam pengujiannya mereka juga
menggunakan data daun yang terkena penyakit. Kekurangan
dari penelitian yang mereka lakukan adalah mereka
menggunakan data daun yang mempunyai morfologi yang
memiliki perbedaan yang sangat mencolok, sehingga hasil
yang didapat dari penelitian mereka terbilang maksimal.
IV. METODOLOGI
Metodologi yang terdiri dari perancangan sistem yang
akan dibuat, penjelasan mengenai hal tersebut adalah sebagai
berikut:
A. Data yang Digunakan
Penelitian ini menggunakan data berupa citra daun,
dengan daun yang diambil dari 3 lokasi di Sumatera Utara.
Data daun yang diambil kemudian dilakukan pemotretan
sehingga didapatkan data citranya dengan menggunakan
kamera Nikon dengan resolusi 16MP.
Data yang diperoleh berjumlah 1000 citra, dengan
pembagian 80% untuk data training, yaitu sebanyak 800
data, dan 20% untuk data testing, yaitu sebanyak 200 data.
Data training yang diperoleh kemudian di augmentasi
dengan menggunakan beberapa teknik image processing
untuk memperbanyak serta memperkaya data yang akan
digunakan dalam training tanpa menduplikasi citra. Hasil
augmentasi citra sebanyak 5 kali data training awal yaitu
sebanyak 4000 data, sehingga total data training yang
digunakan sebanyak 4800 data.
Gambar 2. Citra Bruguiera gymnorhiza
B. Analisis dan Perancangan Sistem
Analisis dan perancangan sistem bertujuan untuk
mendapatkan gambaran mengenai kebutuhan sistem serta
menggambarkan proses yang akan berjalan dalam sistem
untuk menghasilkan output yang sesuai dengan kebutuhan
pengguna.
Tahap yang dilakukan pada penelitian ini antara lain
adalah proses pengambilan data, proses augmentasi data
dengan menggunakan metode image processing tertentu, lalu
mengimplementasikan metode Deep Convolutional Neural
Network (DCNN) dalam pengklasifikasian spesies tumbuhan
mangrove.
Gambar 3. Arsitektur umum
1) Image Acquisition
Tahap ini merupakan tahap pengumpulan data daun serta
pengambilan citra daun tersebut menggunakan kamera
Nikon dengan resolusi 16MP. Citra daun diambil dengan
menggunakan latar belakang putih untuk mendapatkan citra
dengan noise yang sedikit sehingga mempermudah proses
preprocessing. Citra diambil di dalam studio mini dengan
lampu LED berwarna putih sebagai sumber pencahayaan.
Studio mini tersebut berukuran 40 x 40 cm.
Data daun yang didapat terdiri dari 4 spesies yaitu
Bruguiera gymnorhiza, Lumnitzera racemosa, Rhizopora
apiculata, dan Rhizopora mucronata. Jumlah data tiap
spesiesnya berjumlah ± 250 data, dengan proses
pengambilan gambar sebanyak satu kali tiap daunnya.
Jumlah keseluruhan data yang diperoleh adalah 1000 citra
daun. Data tersebut kemudian dibagi menjadi 2, yaitu data
training dan data testing. Pembagian tersebut menggunakan
rasio 8 : 2, dengan 80% data digunakan sebagai data training
dan 20% data digunakan sebagai data testing.
Gambar 4. Citra Rhizopora apiculata
2) Preprocessing
Preprocessing dilakukan untuk menyesuaikan citra
dengan kebutuhan yang diperlukan dalam sistem. Pada tahap
ini dilakukan satu teknik pengolahan citra untuk
menyesuaikan dengan kebutuhan sistem, yaitu teknik image
scaling.
a) Image Scaling
Image scaling merupakan tahap di mana citra akan
diperkecil ukuran pikselnya dengan mempertahankan aspect
ratio dari citra tersebut. Pengecilan ini dilakukan agar citra
masukan yang akan di training memiliki ukuran piksel yang
lebih kecil sehingga fitur-fitur yang ada pada citra dapat di
extract dengan lebih cepat dan menghasilkan waktu training
yang lebih singkat.
Citra-citra tersebut di scale down dengan rasio 1 : 0,15,
dan kualitas 90% dari citra aslinya. Hasil dari tahap image
scaling ini adalah citra dengan ukuran 626 x 417 piksel, dan
dengan ukuran storage ± 15 KB setiap citranya.
Gambar 5. Citra Rhizopora apiculata setelah dilakukan
image scaling
 Citra asli memiliki ukuran 4176 x 2784 piksel.
Sedangkan citra hasil proses image scaling di atas memiliki
ukuran 626 x 417 piksel.
3) Data Augmentation
Data yang berhasil dikumpulkan di augmentasi untuk
memperbanyak variasi data yang akan digunakan dalam
proses training. Augmentasi terhadap data-data ini ditujukan
untuk meningkatkan akurasi dan memperkaya model yang
akan di training.
Teknik image processing yang digunakan dalam
melakukan augmentasi data training antara lain teknik resize,
flip horizontal, flip vertical, rotate clockwise, dan rotate
counterclockwise.
a) Image Resizing
Resizing dilakukan dengan tujuan memperkecil ukuran
piksel dari data citra yang diambil sehingga sesuai dengan
parameter ukuran citra yang terdapat di dalam sistem pada
proses training. Resizing yang dilakukan dalam penelitian
ini menggunakan teknik bilinear interpolation, di mana
teknik ini akan mengatur nilai-nilai tiap piksel yang akan
dituju dengan menghitung rata-rata nilai piksel yang berada
di sekitarnya.
Gambar 6. Citra Lumnitzera racemosa setelah resizing
b) Flipping
Flipping dilakukan dengan tujuan mendapatkan sudut
pandang baru terhadap bentuk daun yang akan diproses
dalam tahap training, dengan memberikan susunan nilai nilai
piksel baru pada model yang akan di training. Flipping
diterapkan dengan megganti susunan nilai piksel pada
sebuah citra dengan orientasi yang baru, baik horizontal
maupun vertikal.
Gambar 7. Citra Lumnitzera racemosa setelah dilakukan
flipping horizontal
c) Rotating
Citra yang digunakan akan di-rotate dengan tujuan
mendapatkan variasi data yang lebih banyak tanpa
melakukan pengambilan gambar secara berulang. Rotating
diterapkan pada citra dengan mengganti posisi nilai suatu
piksel ke arah yang dituju, clockwise berarti searah jarum
jam, dan counterclockwise berarti berlawanan arah jarum
jam.
Gambar 8. Citra Lumnitzera racemosa setelah dilakukan
rotating clockwise
4) Deep Convolutional Neural Network (Training)
Setelah data diproses pada tahap sebelumnya, tahap
berikutnya adalah proses training menggunakan Deep
Convolutional Neural Network. Proses ini adalah proses di
mana model akan dibuat menggunakan data yang telah
disiapkan sebelumnya untuk selanjutnya digunakan dalam
tahap testing untuk diuji akurasinya.
Arsitektur Deep Convolutional Neural Network yang
akan diterapkan pada penelitian ini merupakan arsitektur
inception v3 yang dipublikasikan oleh Google inception v3
dipilih karena tingkat akurasi yang cukup tinggi dalam
mengklasifikasi ImageNet dengan akurasi Top-1 sebesar
78,0% dan akurasi Top-5 sebesar 93,9%.
Gambar 9. Arsitektur DCNN yang digunakan
Arsitektur tersebut memiliki 21 layer di mana beberapa
layer memiliki lebih dari satu layer di dalamnya. Conv
adalah representasi dari convolution layer, di mana pada
layer ini data masukan akan diambil fiturnya, dan diperkecil
ukurannya. Pool adalah layer di mana data akan dikecilkan
ukurannya, dengan memperkecil dimensi dari data yang
masuk. Sedangkan mixed layer adalah gabungan antara
kedua layer tersebut.
Citra yang sudah diproses sebelumnya dimuat ke dalam
perangkat untuk selanjutnya dilakukan training. Perangkat
tersebut sebelumnya telah diinstall dengan beberapa library
yang diperlukan untuk melakukan training. Training
dilakukan pada model yang sudah dilakukan pre-train
sebelumnya terhadap dataset ImageNet yang memiliki 1000
kelas dan dilakukan fine tuning terhadap model tersebut agar
dapat melakukan klasifikasi terhadap data yang digunakan
pada penelitian ini. Training dimulai dengan memberikan
beberapa parameter yang akan diterapkan pada proses
training. Parameter tersebut antara lain:
a) Learning Rate
Learning rate adalah salah satu parameter utama yang
diberikan kepada model yang akan di training. Penentuan
learning rate yang digunakan dalam pembuatan model pada
penelitian ini dilakukan dengan proses trial and error, serta Pada tabel confusion matrix di atas, dapat diambil
dengan mempertimbangkan kemampuan perangkat dalam statistik berupa confusion elements yaitu true positive, false
melakukan proses training. Setelah melalui beberapa positive, false negative, dan true negative. Perhitungan
percobaan, maka diputuskan bahwa learning rate yang mengenai confusion elements adalah sebagai berikut:
digunakan pada proses training pada penelitian kali ini
adalah 0,01. Asumsikan bahwa confusion matrix di atas mempunyai
struktur sebagai berikut:
b) Training Steps
Training steps adalah parameter yang menentukan
jumlah step yang akan dilakukan pada training. Penentuan
banyaknya training step dilakukan dengan trial and error,
dan berdasarkan pertimbangan kemampuan perangkat dalam
melakukan training. Setelah melalui beberapa pertimbangan,
maka training steps yang akan diterapkan pada penilitan ini
adalah sebanyak 50000 steps. Di mana Actual adalah kelas yang benar dan Classified
adalah kelas yang diprediksi oleh sistem. Untuk menghitung
c) Dataset Directory confusion elements dari tiap kelas, diterapkan rumus sebagai
Penelitian ini menggunakan library Tensorflow dalam berikut:
pembuatan sistem klasifikasi, dan tensorflow memiliki
kaidah dalam menentukan kelas dan citra yang akan menjadi
input dalam proses training. Citra yang akan menjadi input
dalam proses training harus berada dalam satu folder, lalu di
dalam folder tersebut dibuat folder yang berisi data citra
yang akan menjadi input dalam proses training pada
penelitian ini. Selanjutnya nama folder akan dijadikan
sebagai nama kelas dari data citra yang berada di dalamnya.
d) Batch Size
Batch size adalah parameter yang dibuat untuk
menentukan banyak data yang akan diproses dalam satu
iterasi training. Batch size biasanya mempunyai nilai yang
tpi = jumlah elemen true positive dari kelas i
tetap selama proses training. Penentuan batch size dilakukan
dengan mempertimbangkan kemampuan perangkat, serta fpi = jumlah elemen false positive dari kelas i
fakta bahwa dalam penelitian ini, model dibuat dengan cara
melakukan fine tuning terhadap model yang sudah ada, fni = jumlah elemen false negative dari kelas i
sehingga daya yang digunakan tidak terlalu besar. Dengan tni = jumlah elemen true negative dari kelas i
pertimbangan tersebut, maka batch size yang digunakan
dalam pembuatan model pada penelitian ini adalah sebesar cij = elemen tabel confusion matrix pada koordinat (i, j)
100.
Setelah menerapkan rumus tersebut, maka didapat
V. HASIL DAN PENGUJIAN jumlah confusion elements dari confusion matrix di atas.
Model yang telah dibuat pada proses training diuji Jumlah confusion elements dari klasifikasi yang telah
menggunakan data uji yang sudah dipersiapkan sebelumnya. dilakukan adalah sebagai berikut:
Data uji berjumlah 200 data terbagi ke dalam 4 spesies yaitu
Bruguiera gymnorhiza, Lumnitzera racemosa, Rhizopora Tabel 2. Confusion elements
apiculata, dan Rhizopora mucronata, yang masing masing True False False True
kelas memiliki data uji berjumlah 50 data. Positive Positive Negative Negative
Bruguiera
Tabel 1. Confusion matrix 49 3 1 147
gymnorhiza
Lumnitzera
Bruguiera Lumnitzera Rhizopora Rhizopora 50 0 0 150
racemosa
gymnorhiza racemosa apiculata mucronata
Rhizopora
Bruguiera 49 2 1 148
49 0 1 0 apiculata
gymnorhiza
Rhizopora
Lumnitzera 47 0 3 150
0 50 0 0 mucronata
racemosa
Rhizopora
1 0 49 0
apiculata Berdasarkan hasil perhitungan confusion elements dan
Rhizopora
mucronata
2 0 1 47 confusion matrix di atas, dapat diambil beberapa poin:
 1. Kelas Rhizopora mucronata adalah kelas yang
memiliki paling sedikit elemen true positive, dan
paling banyak elemen false negative. Alasan dibalik
hasil tersebut kemungkinan adalah kemiripan antara
beberapa morfologi daun Rhizopora mucronata
dengan Bruguiera gymnorhiza dan Rhizopora
apiculata, di mana perbedaan yang paling
mencolok diantara daun-daun tersebut adalah dari
segi ukuran.
2. Kelas Lumnitzera racemosa adalah kelas yang
mempunyai akurasi paling tinggi yaitu 100%, tanpa
ada false positive dan false negative. Akurasi yang
tinggi tersebut kemungkinan disebabkan oleh
perbedaan yang mencolok dari daun Lumnitzera
racemosa dengan daun spesies lainnya.
3. Kelas Bruguiera gymnorhiza dan Rhizopora
apiculata sama sama memiliki statistik akurasi yang
bagus, namun tidak sempurna. Hal ini kemungkinan
disebabkan oleh pencahayaan pengambilan gambar
yang tidak konsisten, serta variasi data yang kurang
sehingga terjadi kemiripan antara satu daun dengan
daun lainnya.
Dari hasil confusion matrix di atas, dapat pula dilakukan
perhitungan untuk menghitung tingkat akurasi dari pengujian
sistem menggunakan data testing sebanyak 200 buah:
Dari perhitungan di atas, diketahui bahwa tingkat akurasi
yang diperoleh dari algoritma hasil penelitian ini mencapai
97.5% di mana hasil ini merupakan hasil yang cukup tinggi
namun masih belum sempurna. Faktor yang mungkin
mempengaruhi hasil pengujian sistem ini antara lain adalah
kurangnya variasi data, ditambah dengan perbedaan
pencahayaan pada tiap data yang menyebabkan model tidak
dapat mengklasifikasikan citra dengan sempurna.
VI. KESIMPULAN
Kesimpulan yang didapat dari penelitian kali ini
berdasarkan hasil pengujian sistem klasifikasi spesies
tumbuhan mangrove berdasarkan citra daun adalah:
1. Metode Deep Convolutional Neural Network
mampu melakukan klasifikasi spesies tumbuhan
mangrove berdasarkan citra daun dengan akurasi
sebesar 97.5%.
2. Parameter parameter yang dibutuhkan pada proses
training berpengaruh pada kualitas model yang
dihasilkan. Penentuan parameter-parameter tersebut
harus dilakukan dengan tepat untuk menghasilkan
model dengan tingkat akurasi yang tinggi.
3. Jumlah citra yang dijadikan sebagai data training
berpengaruh pada model yang akan dihasilkan.
Variasi citra menghasilkan model dengan
generalisasi yang baik dan mengurangi resiko
overfitting.
DAFTAR PUSTAKA
[1] Onrizal, N. L. Auliah, and M. Mansor, “Mitigation and adaptation
on tsunami catastrophes in Indonesia through education and geodetic
networks,” AIP Conf. Proc., vol. 2221, no. March, 2020.
[2] L. Wan, H. Zhang, G. Lin, and H. Lin, “A small-patched
convolutional neural network for mangrove mapping at species level
using high-resolution remote-sensing image,” Ann. GIS, vol. 25, no.
1, pp. 45–55, 2019.
[3] O. Onrizal et al., “The role of forest restoration in conserving
mangrove plant at the eastern coast of North Sumatra,” IOP Conf.
Ser. Earth Environ. Sci., vol. 260, no. 1, 2019.
[4] Pramudji, “Hutan Mangrove Di Indonesia: Peranan Permasalahan
Dan Pengelolaannya,” Oseana, vol. XXV, no. 1, pp. 13–20, 2000.
[5] C. Giri et al., “Status and distribution of mangrove forests of the
world using earth observation satellite data,” Glob. Ecol. Biogeogr.,
vol. 20, no. 1, pp. 154–159, 2011.
[6] S. Faza, E. B. Nababan, S. Efendi, M. Basyuni, and R. F. Rahmat,
“An initial study of deep learning for mangrove classification,” IOP
Conf. Ser. Mater. Sci. Eng., vol. 420, no. 1, 2018.
[7] B. Şekeroǧlu and Y. Inan, “Leaves Recognition System Using a
Neural Network,” Procedia Comput. Sci., vol. 102, no. August, pp.
578–582, 2016.
[8] W. Rawat and Z. Wang, “Deep convolutional neural networks for
image classification: A comprehensive review,” Neural
Computation. 2017.
[9] K. O’Shea and R. Nash, “An Introduction to Convolutional Neural
Networks,” no. November, 2015.
[10] S. H. Lee, Y. L. Chang, C. S. Chan, and P. Remagnino, “Plant
identification system based on a convolutional neural network for
the lifeclef 2016 plant classification task,” CEUR Workshop Proc.,
vol. 1609, pp. 502–510, 2016.
[11] J. Hossain and M. A. Amin, “Leaf shape identification based plant
biometrics,” Proc. 2010 13th Int. Conf. Comput. Inf. Technol. ICCIT
2010, no. Iccit, pp. 458–463, 2010.
[12] W.-S. Jeon and S.-Y. Rhee, “Plant Leaf Recognition Using a
Convolution Neural Network,” Int. J. Fuzzy Log. Intell. Syst., vol.
17, no. 1, pp. 26–34, 2017.