PENGHITUNGAN POHON MANGROVE DENGAN MENGIDENTIFIKASI

POHON MENGGUNAKAN METODE REGION-BASED

CONVOLUTIONAL NEURAL NETWORK

KEVIN CHRISTOPER A
151402126

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2022
PENGHITUNGAN POHON MANGROVE DENGAN MENGIDENTIFIKASI
POHON MENGGUNAKAN METODE REGION-BASED
CONVOLUTIONAL NEURAL NETWORK

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

KEVIN CHRISTOPER A
151402126

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2022
 DAFTAR ISI

BAB 1 ................................................................................................................. 1
PENDAHULUAN ............................................................................................... 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ..................................................................................... 3
1.3 Batasan Masalah ....................................................................................... 3
1.4 Tujuan Penelitian ...................................................................................... 4
1.5 Manfaat Penelitian .................................................................................... 4
1.6 Metodologi Penelitian ............................................................................... 4
1.7 SistematikarPenulisan ............................................................................... 5
BAB 2 ................................................................................................................. 6
TINJAUAN PUSTAKA ...................................................................................... 6
2.1 Pohon Mangrove (Rhizophora apiculata) .................................................. 6
2.2 Citra Digital (Digital Image) ..................................................................... 9
2.2.1 Citra Warna (RGB).............................................................................. 10
2.2.2 Grayscale Image.................................................................................. 10
2.3 Region-based Convolutional Neural Network (R-CNN) .......................... 11
2.4.1 Region Proposal Network .................................................................... 12
2.4.2 Ekstraktor Fitur ................................................................................... 13
2.4.3 Classifier ............................................................................................. 14
2.4.4 Regresi Kotak Pembatas (Bounding Box Regression)........................... 14
BAB 3 ............................................................................................................... 20
ANALISIS DAN PERANCANGAN ................................................................. 20
3.1 Pendahuluan............................................................................................ 20
3.1.1 Arsitektur Umum ................................................................................. 20
3.1.2 Pembacaan Nilai Piksel ....................................................................... 22
3.1.3 Training Algoritma CNN ..................................................................... 25
3.1.4 Region Proposal Network (RPN) ......................................................... 33
3.2 Perancangan ............................................................................................ 38
3.2.1 Flowchart Training .............................................................................. 38
3.2.2 Flowchart Testing ................................................................................ 40
3.2.3 Perancangan form Menu ...................................................................... 41
3.2.4 Perancangan Pelatihan ......................................................................... 42
3.2.5 Perancangan Form Deteksi Dan Penghitungan Pohon .......................... 42
BAB 4 ............................................................................................................... 44
IMPLEMETASI DAN PENGUJIAN ................................................................. 44

i
4.1 Implementasi Sistem .................................................................................... 44
4.1.1 Spesifikasi Hardware Dan Software ..................................................... 44
4.1.2 Data Yang Digunakan.......................................................................... 45
4.1.3 Tampilan Menu ................................................................................... 47
4.1.4 Tampilan Training ............................................................................... 48
4.2 Pengujian ................................................................................................ 49
BAB 5 ............................................................................................................... 37
KESIMPULAN DAN SARAN .......................................................................... 37
5.1 Kesimpulan.................................................................................................. 37
5.2 Saran ........................................................................................................... 37
DAFTAR PUSTAKA ........................................................................................ 37
 DAFTAR GAMBAR

Gambar 2.1 Pohon Mangrove 8

Gambar 2.2 Citra Warna (RGB) 10
Gambar 2.3 Citra Grayscale 11
Gambar 2.4 Region dengan Fitur CNN 12
Gambar 2.5 Konsep Region dengan Fitur CNN 13
Gambar 2.6 Region Proposal Network 13
Gambar 2.7 Sintaks R-CNN Detector 14
Gambar 2.8 Struktur jaringan CNN 15
Gambar 2.9 Operasi Koonvolusi (Suartika et al., 2016) 16
Gambar 2.10 Operasi Max Pooling (Suartika et al., 2016) 16
Gambar 3.1 Arsitektur Umum 21
Gambar 3.2 Nilai Piksel 24 bit 22
Gambar 3.3 Konvolusi Pengujian (a) Citra Inputan, (b) Feature Detector 26
Gambar 3.4 Posisi Pergeseran Matriks Tahap 1 26
Gambar 3.5 Gambar 3.5 Posisi Pergeseran Matriks Tahap 2 27
Gambar 3.6 Posisi Pergeseran Matriks Tahap 3 27
Gambar 3.7 Posisi Pergeseran Matriks Tahap 4 27
Gambar 3.8 Posisi Pergeseran Matriks Tahap 5 28
Gambar 3.9 Posisi Pergeseran Matriks Tahap 6 28
Gambar 3.10 Posisi Pergeseran Matriks Tahap 7 28
Gambar 3.11 Posisi Pergeseran Matriks Tahap 8 29
Gambar 3.12 Posisi Pergeseran Matriks Tahap 9 29
Gambar 3.13 Hasil Konvolusi, (a) Input image; (b) feature detector; (c) feature map 30
Gambar 3.14 Proses Max Pooling 31
Gambar 3.15 Proses Flattening 32
Gambar 3.16 Data Input 32
Gambar 3.17 Visualisasi 9 Anchors pada Citra 33
Gambar 3.18 Posisi Anchors 1 34
Gambar 3.19 Posisi Anchors 2 34
Gambar 3.20 Posisi Anchors 3 35
Gambar 3.21 Posisi Anchors 4 35
Gambar 3.22 Posisi Anchors 5 36
Gambar 3.23 Posisi Anchors 6 36
Gambar 3.24 Posisi Anchors 7 37
Gambar 3.25 Posisi Anchors 8 37
Gambar 3.26 Posisi Anchors 9 38
Gambar 3.27 Flowchart Training 39
Gambar 3.28 Flowchart Testing 40
Gambar 3.29 Rancangan Form Menu 41
Gambar 3.30 Rancangan Form Pelatihan 42
Gambar 3.31 Rancangan Form Deteksi Penghitungan Pohon 42
Gambar 4.1 Data Yang Digunakan 45
Gambar 4. 2 Data Testing 46
Gambar 4. 3 Tampilan Menu 47
Gambar 4. 4 Tampilan Training 48
Gambar 4. 5 Tampilan Hasil Training 48
Gambar 4. 6 Pengujian File P-8 49
Gambar 4. 7 Pengujian File P-19 49
Gambar 4. 8 Pengujian File P-20 50
Gambar 4.9 Pengujian File P-22 50
Gambar 4. 10 Pengujian File P-23 51
Gambar 4.11 Pengujian File P-25 51
Gambar 4.12 Pengujian File P-26 52
Gambar 4.13 Pengujian File P-30 52
Gambar 4. 14 Pengujian File P-31 53
Gambar 4. 15 Pengujian File P-33 53
Gambar 4.16 Pengujian File P-34 54
Gambar 4. 17 Pengujian File P-40 54
Gambar 4. 18 Pengujian File P-42 55
Gambar 4. 19 Pengujian File P-44 55
Gambar 4. 20 Pengujian File P-46 56
Gambar 4. 21 Pengujian File P-48 56
Gambar 4. 22 Pengujian File P-50 57
Gambar 4. 23 Pengujian File P-55 57
Gambar 4. 24 Pengujian File P-76 58
Gambar 4. 25 Pengujian File P-85 58
Gambar 4. 26 Grafik Nilai Akurasi 60
 DAFTAR TABEL

Tabel 2.1 Penelitian Terdahulu 19

Tabel 3.1 Feature Map 30
Tabel 4.1 Nilai Akurasi Hasil Pengujian 59
 ABSTRAK

Pada penelitian ini dilakukan identifikasi pohon mangrove serta melakukan

penghitungan jumlah pohonnya dengan metode Region-based Convolutional Neural
Netowork (R-CNN). Perhitungan pohon mangrove secara manual dapat memakan
waktu yang lama dan adanya keterbatasan yang mengakibatkan kesalahan jumlah
pohon mangrove yang ada. Untung menghemat waktu dalam menghitung jumlah pohon
mangrove dalam suatu lahan, maka dibutuhkan sebuah aplikasi yang dapat menghitung
jumlah pohon mangrove secara otomatis. Data yang diambil berasal dari wilayah
kawasan pantai Sumatera Utara dengan inputan berupa foto berformat .jpg atau .jpeg
dengan hasil pengambilan gambar diambil dari atas pohon Mangrove dengan wahan
drone. Pengambilan gambar diambil dengan sudut pandang tegak lurus dengan pohon
Mangrove dengan tinggi kamera saat pengambilan gambar ± 30 - 38 meter dari atas
permukaan tanah. Hasil percobaan dengan terlebh dahulu melakukan training citra
sebanyak 280 data citra dan testing sebanyak 20 data citra yang berdimensi 4000 x 3000
piksel, maka dapat diambil kesimpulan bahwa aplikasi dapat melakukan pembacaan
piksel citra training dengan parameter jaringan maksimal error sebesar 0.01 dan
learning rate sebesar 0.05. Aplikasi dapat melakukan deteksi dan menghitung jumlah
pohon Mangrove dengan hasil nilai akurasi sebesar 90.85%.

Kata Kunci : Identifikasi Citra Pohon Mangrove (Rhizopora), ekstraksi ciri RGB Channel,
metode Region-based Convolutional Neural Network.
 ABSTRACT

In this study, identification of mangrove trees was carried out and counting the number
of trees using the Region-based Convolutional Neural Network (R-CNN) method.
Calculation of mangrove trees manually can take a long time and there are limitations
that result in an error in the number of existing mangrove trees. Luckily it saves time in
counting the number of mangrove trees in a field, so we need an application that can
count the number of mangrove trees automatically. The data taken came from the
coastal areas of North Sumatra with input in the form of photos in .jpg or .jpeg format
with the results taken from the top of the Mangrove tree with a drone. The picture was
taken with a perspective perpendicular to the Mangrove tree with the camera height
when shooting ± 30 - 38 meters from the ground. The results of the experiment by first
conducting image training of 280 image data and testing as many as 20 image data with
dimensions of 4000 x 3000 pixels, it can be concluded that the application can perform
pixel readings of training images with maximum network parameters error of 0.01 and
a learning rate of 0.05. The application can detect and calculate the number of mangrove
trees with an accuracy value of 90.85%.

Keywords: Identification of Mangrove Trees (Rhizopora), RGB Channel feature

extraction, Region-based Convolutional Neural Neural Netowork method
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Hutan mangrove adalah hutan yang terdapat di sepanjang pantai atau muara sungai dan
dipengaruhi oleh gerakan pasang surut perpaduan antara air sungai dan air laut, yang
tergenang saat pasang dan bebas dari genangan pada saat surut yang komunitasnya
bertoleransi terhadap garam. Sungai mengalirkan air tawar untuk mangrove, dan pada
saat pasang pohon mangrove dikelilingi oleh air garam atau air payau (Waryono, 2000).
Hutan mangrove merupakan komunitas vegetasi pantai tropis, yang didominasi oleh
beberapa jenis pohon mangrove yang mampu tumbuh dan berkembang pada daerah
pasang surut pantai berlumpur.
Mangrove adalah tanaman pepohonan yang hidup yang hidup diantara laut dan
daratan yang dipengaruhi oleh pasang surut. Di Indonesia sekitar 3 juta hektare hutan
mangrove tumbuh di sepanjang 95.000 kilometer pesisir Indonesia. Jumlah
ini mewakili 23% dari keseluruhan ekosistem mangrove dunia. Hutan Mangrove
ditemukan di banyak wilayah Indonesia, dan ekosistem mangrove regional penting ada
di Sumatera, Papua dan Kalimantan (FAO, 2007).
Mangrove terdiri dari Mangrove Sejati dan Mangrove Pendamping (Kitamura,
Shozo, dkk. 2003). Mangrove sejati merupakan jenis tumbuhan yang hidup di wilayah
pasang surut dan mampu menyerap zat garam sekaligus memiliki sistem adaptasi
mengeluarkan kelebihan zat garam yang tidak dibutuhkan melalui batang dan daunnya.
Mangrove merupakan ekosistem yang sangat produktif dan sering kali menjadi
sumber ekonomi terutama bagi warga pesisir. Karena mangrove membawa pengaruh
cukup banyak bagi ekosistem laut, terutama perikanan (Giesen, 2006). 77% dari semua
mangrove memiliki beberapa kegunaan, mangrove paling umum digunakan sebagai
 2

obat, bahan konstruksi, makanan (sayur, rempah-rempah dan buah), sebagai hiasan dan
sebagai bahan bakar (Giesen, 2006).
Mangrove merupakan habitat bagi spesies laut dan darat dimana di bawah air
hutan mangrove menjadi lahan bertelur dan berkembang biak ikan dan spesies laut.
Akar dan lapisan lunak di bawah pohon memberi pangan, naungan dan perlindungan
dari predasi (UNEP, 2014). Di atas permukaan air, pohon dan kanopi mangrove
merupakan habitat bagi burung, serangga, mamalia dan reptil. Mangrove adalah habitat
utama Bekantan yang terancam punah, ditemukan di Indonesia dan binatang endemi
Borneo (Mangrove Action Project, 2015).
Kerusakan komunitas mangrove dapat berakibat terganggunya keseimbangan
ekosistem pantai, misalnya pengelolaan terumbu karang menjadi tidak terkendali dan
keanekaragaman hayati dapat menurun karena musnahnya habitat flora fauna tertentu.
Kerusakan ekosistem mangrove yang berlebihan dapat mengakibatkan berkurangnya
daerah resapan air, abrasi, hingga bencana alam seperti erosi dan banjir (Subadra, 2007).
Kerusakan mangrove juga dapat mempengaruhi kehidupan sosial ekonomi masyarakat
yang hidup di sekitar wilayah pantai. Mundurnya ekologi mangrove dapat
mengakibatkan menurunnya hasil tangkapan ikan sehingga pendapatan nelayan juga
menurun (Irianto, 2008).
Tuntutan pembangunan yang cenderung menitikberatkan pada masalah ekonomi
menjadikan kawasan pantai dan ekosistem mangrove sebagai sasaran kegiatan
eksploitasi sumberdaya alam dan pencemaran lingkungan. Adanya pertambahan
penduduk yang terus meningkat dan kegiatan perindustrian yang semakin berkembang
pesat, memacu berbagai jenis kebutuhan yang pada akhirnya bertumpu pada
sumberdaya alam yang ada. Ekosistem Mangrove merupakan salah satu sumberdaya
alam yang tidak terlepas dari tekanan tersebut. Oleh karena itu, hingga saat ini hampir
di seluruh Indonesia telah terjadi konversi ekosistem mangrove menjadi lahan
pertanian, perikanan, dan pemukiman (Waryono, 2000).
Kelestarian lingkungan hidup amatlah penting bagi kita. Menjaga mangrove
merupakan bagian dari tindakan nyata atas kepedulian kita terhadap lestarinya alam dan
kehidupan. Mengingat begitu pentingnya hutan Mangrove bagi kelangsungan
lingkungan hidup kita, perlu adanya solusi untuk penanggulangan masalah yang selama
ini terjadi pada hutan mangrove. Dibutuhkan suatu pendekatan yang dapat membantu
mengidentifikasi pohon mangrove dan Penghitungan Jumlah pohon mangrove. Oleh
 3

karena itu, peneliti akan mengembangkan teknologi berbasis komputer yang dapat
mengidentifikasi pohon Mangrove dan pohon yang tidak mangrove dan Penghitungan
jumlah pohon mangrove dengan teknik pengolahan citra digital.
Pada penelitian ini, penulis mengajukan metode Region-based Convolutional
Neural Netowork (R-CNN) untuk mengidentifikasi pohon mangrove dan penghitungan
pohon mangrove dimana metode ini merupakan sebuah konsep menggabungkan
Proposal Wilayah dalam Convolutional Neural Network (CNN) dan salah satu metode
machine learning yang termasuk dalam jenis Deep Neural Network karena kedalaman
jaringan yang tinggi dan banyak diaplikasikan pada data citra.

1.2 Rumusan Masalah

Perhitungan pohon mangrove secara manual dapat memakan waktu yang lama dan
adanya keterbatasan yang mengakibatkan kelalaian dalam menghitung jumlah pohon
mangrove. Untung Menghemat waktu dalam menghitung jumlah pohon mangrove
dalam suatu lahan maka dibutuhkan sebuah aplikasi yang dapat menghitung jumlah
pohon mangrove secara otomatis. Oleh karena itu, dengan menggunakan metode R-
CNN untuk mengidentifikasi pohon mangrove diharapkan dapat membantu dalam
menghitung jumlah pohon mangrove.

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini, yaitu:

1. Data yang diambil berasal dari wilayah Sumatera Utara.
2. Inputan berupa foto berformat .jpg atau .jpeg
3. Pengambilan gambar diambil dari citra atas pohon Mangrove.
4. Pengambilan gambar diambil dengan sudut pandang tegak lurus dengan pohon
Mangrove.
5. Tinggi kamera saat pengambilan gambar ± 30 meter dari atas permukaan tanah.
6. Aplikasi berbasis Desktop.
 4

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah menghitung jumlah pohon mangrove pada
suatu wilayah menggunakan metode Region-based Convolutional Neural Network
untuk mengidentifikasi pohon mangrove.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini yaitu:

1. Membantu dalam menghitung pohon mangrove.
2. Dapat mempercepat waktu perhitungan pohon mangrove pada sebuah lahan.
3. Data yang dihasilkan dapat dimanfaatkan sebagai referensi data reboisasi kembali.
4. Sebagai referensi untuk penelitian yang berhubungan dengan pengolahan citra
selanjutnya.

1.6 Metodologi Penelitian

Adapun metodologi pada penelitian ini adalah sebagai berikut.

1. Studi Literature
Dalam tahap ini dilakukan pengumpulan berbagai informasi sebagai bahan
referensi mengenai Image Processing, Metode Region-based Convolutional dan
pohon mangrove dari berbagai jurnal, skripsi, buku, dan sumber informasi lainnya.
2. Pengumpulan Data
Pada tahap ini, setelah mempelajari informasi terkait yang mendukung penelitian,
penulis mengumpulkan data yang akan digunakan dalam penelitian.
3. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap informasi – informasi dari dokumen
yang sudah dipelajari agar dalam menghitung jumlah pohon kelapa mangrove
dapat ditemukan metode yang tepat.
4. Perancangan Sistem
Pada tahap ini dilakukan perancangan system untuk menyelesaikan permasalahan
yang dihadapi.
 5

5. Implementasi
Pada tahap ini dilakukan implementasi program yang telah dirancang agar sesuai
dengan yang diharapkan pada tahap analisis.
6. Pengujian
Pada tahap ini dilakukan pengujian terhadap Region-based Convolutional Neural
Network yang telah dibangun dalam mengidentifikasi pohon mangrove dan
menghasilkan data yang sesuai.
7. Penyusunan Laporan
Pada tahap terakhir, dilakukan dokumentasi dan penyusunan laporan dari hasil
penelitian yang telah dilakukan.

1.7 SistematikarPenulisan

Dalam penulisan skripsi ini akan dibagi menjadi beberapa bab sebagai berikut:
BAB 1: PENDAHULUAN
Pada bab ini diuraikan hal-hal yang merupakan latar belakang masalah,
pembuatan rumusan masalah, pembatasan masalah yang ada, pembuatan
tujuan dan manfaat dari penelitian, metodologi penelitian yang dilakuan
serta sistematika penulisan.
BAB 2: LANDASAN TEORI
Berisi dasar teori citra digital, Jaringan Syaraf Tiruan, pengenalan objek
serta algoritma Region-based Convolutional Neural Network.
BAB 3: ANALISIS DAN PERANCANGAN
Dari Bab ini berisikan analisis terhadap pembacaan record citra dalam
pengenalan objek dengan algoritma Region-based Convolutional Neural
Network serta pemodelan sistem yang akan dirancang.
BAB 4: IMPLEMENTASI DAN PENGUJIAN
Berisi bentuk jadi dari sistem yang telah dibangun merupa tampilan-
tampilan serta hasil pengujian pengenalan.
BAB 5: SARAN DAN KESIMPULAN
Bab ini berisi pemaparan hasil dari hasil pengujian yang telah dilakukan
serta masukan.
 BAB 2
TINJAUAN PUSTAKA

2.1 Pohon Mangrove

Mangrove adalah Mangrove adalah jenis tanaman dikotil yang hidup di habitat air
payau dan air laut. Hutan magrove merupakan sekumpulan pepohonan yang tumbuh di
area sekitar garis pantai yang dipengaruhi oleh pasang surutnya air laut serta berada
pada tempat yang mengalami akumulasi bahan organik dan pelumpuran. Hutan
mangrove yang juga biasa dikenal dengan sebutan hutan bakau ini merupakan sebuah
ekosistem yang bersifat khas karena adanya aktivitas daur penggenangan oleh pasang
surut air laut. Pada habitat ini hanya pohon mangrove / bakau yang mampu bertahan
hidup dikarenakan proses evolusi serta adaptasi yang telah dilewati oleh tumbuhan
mangrove. Hutan mangrove memiliki fungsi yang sangat besar bagi lingkungan hidup
kita diantarnya yakni:
a. Sebagai tumbuhan yang mampu menahan arus air laut yang mengikis daratan
pantai, dengan kata lain tumbuhan mangrove mampu untuk menahan air laut agar
tidak mengikis tanah di garis pantai.
b. Sebagaimana fungsi tumbuhan yang lain, mangrove juga memiliki fungsi sebagai
penyerap gas karbondioksida (CO2) dan penghasil oksigen (O2).
c. Hutan mangrove memiliki peran sebagai tempat hidup berbagai macam biota laut
seperti ikan-ikan kecil untuk berlindung dan mencari makan.
Selain binatang laut, bagi hutan mangrove yang ruag lingkupnya cukup besar
sering terdapat jenis binatang darat di dalamnya seperti kera dan burung. Dari beberapa
fungsi hutan bakau yang telah dipaparkan di atas, tentunya hal yang paling esensial bagi
kelangsungan hidup kita adalah fungsi hutan mangrove sebagai penghasil oksigen (O2)
 7

dan penyerap gas karbondioksida serta sebagai pencegahan abrasi. Rusaknya hutan
mangrove dapat mengakibatkan hilangnya fungsi-fungsi di tersebut. Bayangkan jika
hutan rusak, tak ada lagi sesuatu yang mampu menghasilkan oksigen (O2) untuk kita
bernapas, tidak adalagi sesuatu yang dapat menyerap gas karbondioksida (CO2) yang
merupakan gas racun dab berbahaya bagi tubuh manusia, serta tak ada lagi suatu
pertahanan kokoh yang mampu menahan laju abrasi. Saat ini keadaan hutan mangrove
di sepanjang pesisir pantai Indonesia begitu memperihatinkan. Sebagian besar rusak
dan diantaranya habis akibat aktivitas penebangan dan lain-lain. Hal ini tentu akan
berdampak buruk bagi kelestarian lingkungan hidup kita.
Mengingat begitu pentingnya hutan mangrove bagi kelangsungan lingkungan hidup
kita, perlu adanya solusi untuk penanggulangan masalah yang selama ini terjadi pada
hutan mangrove. Solusi yang dapat kita lakukan diantaranya yakni:
a. Perlu adanya lahan konservasi terhadap hutan mangrove dalam rangka penjagaan
dan pelestarian hutan agar fungsi-fungsi mangrove dapat dioptimalkan sebaik
mungkin.
b. Melakukan reboisasi atau penanaman kembali terhadap hutan mangrove yang telah
rusak. Dalam hal ini perlu adanya keterlibatan antara pemerintah dan warga secara
teknis dalam pelaksanaan reboisasi.
c. Perlu adanya manajemen tata ruang yang baik terhadap wilayah pesisir pantai
berhutan mangrove, sehingga dapat berpotensi ekonomis dalam hal pariwisata.
Provit yang diperoleh dari wisata alam ini dapat digunakan untuk keterbutuhan
pelestarian mangrove.
d. Perlu adanya penyuluhan dalam rangka memahamkan masyarakat terhadap
pentingnya kelestarian hutan mangrove bagi lingkungan hidup.
e. Sanksi hukum yang tegas terhadap siapapun yang merusak kelestarian hutan
mangrove. Kelestarian lingkungan hidup amatlah penting bagi kita. Menjaga
mangrove merupakan bagian dari tindakan nyata atas kepedulian kita terhadap
lestarinya alam dan kehidupan. Mulai dari diri sendiri, marilah jaga lingkungan
demi hidup dan kehidupan.
Mangrove adalah komunitas tumbuhan yang hidup diantara laut dan daratan yang
dipengaruhi oleh pasang surut. Indonesia memiliki hutan mangrove yang terluas di
dunia dan juga memiliki keragaman hayati yang terbesar serta strukturnya paling
bervariasi. Indonesia tercatat setidaknya memiliki 202 jenis tumbuhan mangrove,
 8

meliputi 89 jenis pohon, 5 jenis palma, 19 jenis pemanjat, 44 jenis herba tanah, 44 jenis
epifit dan 1 jenis paku. Dari 202 jenis tersebut, 43 jenis (diantaranya 33 jenis pohon dan
beberapa jenis perdu) ditemukan sebagai mangrove sejati (true mangrove), sementara
jenis lain ditemukan disekitar mangrove dan dikenal sebagai jenis mangrove ikutan
(asosiasi).
Menurunnya kualitas dan kuantitas hutan mangrove telah mengakibatkan dampak
yang sangat mengkawatirkan, seperti abrasi yang meningkat, penurunan tangkapan
perikanan pantai, intrusi air laut yang semakin jauh ke arah darat, dan meningkatnya
angka kejadian malaria. Mangrove merupakan salah satu ekosistem paling produktif
dan unik di dunia karena tidak ada tumbuhan lain yang tumbuh subur dan mampu
bertahan hidup di zona transisi antara lautan dan daratan. Mangrove merupakan
ekosistem yang sangat produktif dan sering kali menjadi sumber ekonomi terutama bagi
warga pesisir. Karena mangrove membawa pengaruh cukup banyak bagi ekosistem laut,
terutama perikanan. Kira-kira 77% dari semua mangrove memiliki beberapa kegunaan,
Mangrove paling umum digunakan sebagai obat, bahan konstruksi, makanan (sayur,
rempah-rempah dan buah), sebagai hiasan dan sebagai bahan bakar. Contoh tumbuhan
mangrove terdapat pada Gambar 2.1.

Gambar 2.1 Pohon Mangrove

 9

2.2 Citra Digital (Digital Image)

Citra digital adalah citra yang terbentuk dari sinyal diskrit. Citra digital dapat diwakili
oleh matriks 2 dimensi f(x,y) yang terdiri dari M sebagai kolom dan N sebagai baris,
dimana perpotongan diantara kolom dan baris biasa dikenal sebagai pixel atau element
kecil dari sebuah citra. (Kusumanto & Tompunu, 2011). Jenis-jenis citra digital pada
umum nya di bagi menjadi 3, yaitu Color Image (RGB), Grayscale Image, dan Binary
Image.
Citra digital merupakan pemrosesan gambar berdimensi dua melalui komputer
digital yang dimana memiliki barisan bilangan nyata maupun kompleks yang diwakili
oleh bit-bit tertentu. Jenis-jenis citra digital pada umumnya terbagi menjadi 3 jenis,
yaitu Grayscale, Color Image (RGB) dan Binary. Warna digital adalah kombinasi
dari tiga warna primer yaitu merah, hijau, dan biru (RGB). Setiap warna dapat
dispesifikasikan sebagai triplet nilai intensitas RGB, dengan setiap intensitas berkisar
antara 0 sampai 255, yaitu:
Red : RGB (255, 0, 0) ……….…………………..……………………… (2.1)
Green : RGB (0, 255, 0) .………………………………………….……… (2.3)
Blue : RGB (0, 0, 255) …..………………………………………………. (2.3)
Dari nilai triplet RGB persamaan (3.3) sampai (3.5) di atas dapat dikonversikan ke
dalam nilai desimal seperti dibawah ini:
Red : 255*2560 + 0*2561 + 0*256 2 = 255 + 0 + 0 = 255 ………………….… (2.4)
Green : 0*2560 + 255*2561 + 0*256 2 = 0 + 65,280 + 0 = 65,280 ……………… (2.5)
Blue : 0*2560 + 0*2561 + 255*256 2 = 0 + 0 + 16,711,680 = 16,711,680 ….… (2.6)
Rumus dasar mencari nilai RGB citra adalah:
R = COLOR And RGB(255, 0, 0) ….……….………………….………….…. (2.7)
G = (COLOR And RGB(0, 255, 0)) / 256 .……….……………..………….… (2.8)
B = ((COLOR And RGB(0, 0, 255)) / 256) / 256 ….……….………..……….… (2.9)
Dari persamaan (2.4) sampai (2.6) diatas, rumus RGB pada persamaan (2.7) sampai
(2.9) menjadi:
Nilai R = c and 255 ………………………………………….......................... (2.10)
Nilai G = (c and 65,280)/256 ..………………...………………………..……… (2.11)
Nilai B = ((c and 16,711,680)/256)/256 ………………...….………………….. (2.12)
 10

2.2.1 Citra Warna (RGB)

Citra warna (RGB) merupakan citra dengan masing-masing piksel didalam nya
ditentukan oleh 3 nilai, yaitu Red (merah), Green (hijau), Blue (Biru). Jika masing-
masing warna memiliki range 0-255, maka totalnya adalah 2553 = 16.581.375 (16K)
variasi warna yang berbeda pada sebuah gambar (Gonzalez & Woods, 2003). Adapun
contoh dari Color Image (RGB) ditunjukan pada Gambar 2.2.

Gambar 2.2 Citra Warna (RGB)

2.2.2 Grayscale Image

Jenis dari Citra Digital
Gambar
selanjut5.nya
Color
adalah
Image
Grayscale
(RGB)(Kumar
Image atau
& Verma,
sering2010)
disebut
Citra Keabuan. Grayscale Image adalah citra yang setiap pixel nya memiliki warna
gradiasi mulai dari putih sampai hitam. Rentang tersebut menyatakan bahwa setiap
piksel diwakili oleh 8 bit, atau setara dengan 1 byte (Gonzalez & Woods, 2003) Untuk
mengubah citra warna (citra RGB) menjadi citra grayscale dengan dengan mengambil
rata-rata dari nilai R, G dan B sehingga dapat dituliskan menjadi:
Grayscale = (R+G+B)/3 ......................................................................................... (2.14)
Contoh dari citra Grayscale ditunjukan pada Gambar 2.3.
 11

Gambar 2.3 Citra Grayscale

2.2.3 Citra Red Green and Blue Channel

Citra Red Green and Blue Channel adalah citra yang diambil dari citra warna
(RGB) yaitu yang bersumber hari komponen warna green saja. Citra ini dipilih karena
menghasilkan citra yang paling baik dibandingkan dengan red channel dan blue
channel. (Sutoyo et al., 2010). Citra Green Channel dapat dituliskan ke dalam
persamaan sebagai berikut:
R( , ) = 1. + 0. + 0. = R ………………………………………………… (2.13)
G( , ) = 0. + 1. + 0. = G ………………………………………………… (2.14)
B( , ) = 0. + 0. + 1. = B ………………………………………………… (2.15)
Keterangan:
= nilai red dari suatu piksel
= nilai green dari suatu piksel
= nilai blue dari suatu piksel

2.3 Region-based Convolutional Neural Network (R-CNN)

R-CNN adalah salah satu metode mendalam untuk mendeteksi suatu objek pada
gambar. R-CNN merupakan konsep menggabungkan Proposal Wilayah dalam
Convolutional Neural Network. Menguraikan salah satu terobosan pertama penggunaan
CNN dalam sistem deteksi objek yang disebut dengan R-CNN atau Region dengan
CNN yang memiliki kinerja objek jauh lebih tinggi daripada metode populer lainnya
 12

pada saat itu. Model untuk deteksi objek menggunakan region dengan CNN didasarkan
pada Proposal Wilayah, Ekstraktor Fitur, Pengklasifikasi dan Regresi Kotak Pembatas
(Bounding box regresion).

Gambar 2.4 Region dengan Fitur CNN

2.4.1 Region Proposal Network

Region Proposal Network (RPN) merupakan proses yang berguna untuk
mencari kemungkinan lokasi objek pada gambar yang dimasukkan secara cepat. Lokasi
objek yang ada pada gambar memiliki kemungkinan batasan objek dari wilayah yang
diketahui yang disebut sebagai Region of Interest (RoI). RoI diperkenalkan oleh Ross
Girschik tahun 2015 sebagai sebuah pendekatan deteksi objek menggunakan deep
learning. Input yang digunakan pada layer RoI adalah feature maps yang merupakan
output dari CNN dengan multiple convolution layers dan max pooling layers. Sebuah N
x N matriks dibuat dengan membagi ruang feature map menjadi RoI. Kolom pertama
merupakan indeks dari citra dan sisa kolom lainnya merupakan koordinat dari RoI,
dimulai dari koordinat paling kiri atas hingga kiri bawah. RoI yang sudah ditentukan
disebut sebagai region proposal. Pada RPN, awalnya citra input diproses dalam jaringan
saraf konvolusi untuk menghasilkan feature map. Feature map terdiri atas enam bagian,
yaitu penentuan object dan non-object dengan nilai 0–1, koordinat nilai x dan y, serta
nilai weight dan height dari bounding box. Sliding window ditempatkan pada setiap
feature map dengan ukuran N x N, sesuai dengan setiap anchor sliding window yang
dibentuk. Setiap anchor memiliki titik pusat yang sama, tetapi memiliki aspect rations
dan scaling factor yang berbeda. Classifier merupakan proses yang digunakan untuk
 13

mengklasifikasikan RoI yang sudah diidentifikasi pada RPN ke dalam kelas atau target
yang sesuai. Teknik yang digunakan pada tahap ini adalah CNN.

Gambar 2.5 Konsep Region dengan Fitur CNN

Saat sebuah citra diputan, maka proposal wilayah mencoba mendeteksi ukuran
dan rasio aspek wilayah yang berbeda (~2000). Sebuah proposal wilayah dapat dilihat
seperti pada Gambar 2.6.

Gambar 2.6 Region Proposal Network

2.4.2 Ekstraktor Fitur

Setiap wilayah yang diusulkan akan dilatih oleh jaringan CNN dan lapisan
terakhir dengan 4096 fitur akan diekstraksi sebagai fitur sehingga hasil akhir dari
ekstraktor fitur adalah jumlah wilayah yang diusulkan x 4096.
 14

2.4.3 Classifier
Setelah fitur di ekstraksi, maka kita perlu mengklasifikasikan objek didalam
setiap wilayah. Classifier dalam detection digunakan untuk menentukan kategori dari
sebuah objek yang sudah didapatkan dalam RPN Classifier dengan membandingkan
nilai yang didapatkan dengan nilai dalam model yang sudah dilatih pada tahap
pelatihan. Untuk melakukan ini model CNN linier dilatih untuk klasifikasi setiap kelas
secara independen.

2.4.4 Regresi Kotak Pembatas (Bounding Box Regression)

Untuk mengurangi kesalahan lokalisasi, model regresi dilatih untuk
memperbaiki prediksi jendela deteksi pada regresi kotak pembatas menggunakan R-
CNN Detektor. Berikut beberapa Sintaks untuk melatih detektor objek berbasis RCNN

Gambar 2.7 Sintaks R-CNN Detector

 detector=trainRCNNObjectDetector (training Data, network, options)

melatih detektor objek berbasis R-CNN (wilayah dengan jaringan saraf
convolutional). Fungsi ini menggunakan deep learning untuk melatih
detektor mendeteksi beberapa kelas objek.
 detector=trainRCNNObjectDetector( ___ ,Name,Value)
mengembalikan objek detector dengan properti input opsional yang
ditentukan oleh satu atau lebih (Name,Value) argumen pasangan.
 [detector,info]=trainRCNNObjectDetector( ___ )
juga mengembalikan informasi tentang kemajuan pelatihan, seperti training
loss dan akurasi, untuk setiap iterasi.
 15

2.1 Convolutional Neural Network (CNN)

Convolutional neural network adalah variasi dari multilayer perceptron yang

terinspirasi dari jaringan syaraf manusia. CNN merupakan suatu layer yang memiliki
susunan neuron 3D memiliki dimensi lebar, tinggi dan kedalaman (Zufar et al., 2016).

Gambar 2.8 Struktur jaringan CNN

Secara umum jenis layer pada Convolutional neural network dibedakan menjadi dua
yaitu, layer ekstraksi dan layer klasifikasi.

2.5.1 Convolution Layer

Convolution layer melakukan operasi konvolusi pada output dari layer
sebelumnya. Layer tersebut adalah proses utama yang mendasari sebuah CNN. Tujuan
dilakukannya konvolusi pada data citra untuk mengekstraksi fitur dari citra input.
Konvolusi akan menghasilkan transformasi linear dari data input sesuai informasi
spasial pada data.
Dalam pengolahan citra, konvolusi berarti mengaplikasikan sebuah kernel (kotak
kuning) pada citra disemua offset yang memungkinkan seperti yang ditunjukkan pada
gambar. kotak hijau secara keseluruhan adalah citra yang dikonvolusi. Kernel bergerak
dari sudut kiri atas ke kanan bawah. Sehingga hasil konvolusi dari citra tersebut dapat
dilihat pada gambar disebelahnya.
 16

Gambar 2.9 Operasi Koonvolusi (Suartika et al., 2016)

2.5.2 Sub Sampling Layer

Sub sampling layer adalah proses mereduksi ukuran sebuah data citra yang
bertujuan untuk meningkatkan invariansi posisi dari fitur. Dalam sebagian besar CNN,
metode subsampling yang sering digunakan adalah max pooling. Max pooling membagi
output dari convolutional layer menjadi beberapa grid kecil lalu mengambil nilai
maksimal dari setiap grid untuk menyusun matriks citra yang telah direduksi.

Gambar 2.10 Operasi Max Pooling (Suartika et al., 2016)

2.5.3 Fully Connected Layer

Fully connected layer adalah layer yang biasanya digunakan dalam penerapan
Multi Layer Perceptron (MLP) dan bertujuan untuk melakukan transformasi pada
dimensi data agar data dapat diklasifikasikan secara linear. Fully connected layer hanya
dapat diimplementasikan di akhir jaringan,oleh karena itu setiap neuron pada
convolution layer perlu ditransformasi menjadi data satu dimensi terlebih dahulu
sebelum dapat dimasukkan kedalam sebuah fully connected layer.

2.2 Penelitian Terdahulu

Penelitian tentang identifikasi pohon mangrove menggunakan metode Region-based

Convolutional Neural Netowrk belum pernah dilakukan, akan tetapi ada beberapa
penelitian yang mengangkat topik untuk mengidentifikasi dan penghitungan pohon
mangrove menggunakan metode lain. Sebelumnya, pada penelitian ini, data yang
digunakan terbagi menjadi 2, yaitu data training dan data testing. Data training
 17

digunakan dalam proses learning dan memberikan pengetahuan tentang Identifikasi

pohon mangrove beserta jumlahnya, sedangkan pada data testing digunakan untuk
proses pengujian hasil learning sehingga mendapatkan akurasi dari proses identifikasi.
Data yang digunakan diambil di wilayah Sumatera Utara. Jumlah data yang
dikumpulkan pada saat ini yaitu sebayak 78 citra dan pengambilan data citra pohon
mangrove dilakukan menggunakan drone DJI Mavic 2 dengan resolusi gambar 20 MP
dengan ekstensi .jpeg atau .jpg (Joint Photographic Experts Assemble). Setelah itu citra
yang sudah diperoleh di pre-processing untuk menghasilkan citra gambar yang lebih
baik dan mudah untuk di tindaklanjuti, kemudian menentukan region of interest pada
tiap citra dan dibentuk kembali sesuai ukuran input yang ditetapkan oleh convolutional
neural network menggunakan RCNN Detektor dan diteruskan, lalu mengekstrak fitur
untuk setiap wilayah ke support vector machine yang bertugas sebagai classifier,
Kemudian hasil pooling tiap gambar masuk kedalam Bounding box regression dan
dilatih kembali untuk mengoreksi wilayah yang diidentifikasi dan menghasilkan output
berupa gambar pohon mangrove yang teridentifikasi dan jumlah pohon mangrove.
Berikut beberapa penelitian yang mengangkat topik pengidentifikasi dan
penghitungan pohon menggunakan metode lainnya. Seperti yang telah diteliti oleh
(Alam Syaiful et al. 2019) melalui penelitian yang berjudul “Estimating the Number of
Trees in Margasari Mangrove Forests of Lampung Through Aerial Images Using
Adaptive Thresholding and Contour Extraction Methods”. Penelitian ini bertujuan
untuk mengidentifikasi jumlah pohon mangrove dengan kamera yang telah terintergrasi
dengan Unmanned Aerial Vehicle menggunakan metode Adaptive Thresholding dan
Contour Extraction. Proses terdiri dari input gambar, konversi gambar, Median
Filtering, Adaptive Thresholding, Opening Morphology Operation, Contour
Extraction. Berdasarkan hasil pengujian menggunakan perbedaan adaptive
thresholding, nilai konstan yang menghasilkan nilai error paling rendah pada saat
konstanta -1, hasil akurasi yang didapat dari 32 data sampel 94,62%.
(Xie Honghui et al., 2016) melalui penelitian yang berjudul “Tobacco Plant
Recognizing and Counting Based on SVM”. Penelitian ini bertujuan untuk
mengidentifikasi dan menghitung tanaman tembakau menggunakan metode K-Nearest
Neighbors. Proses terdiri dari Konversi gambar ke Lab Color space, Mengekstrak
candidate regions dan klasifikasi candidate regions. Berdasarkan hasil pengujian
 18

identifikasi dan menghitung tanaman bakau dengan metode KNN mendapat akurasi
94,3%.
Khelifa et al. (2018) melalui penelitian yang berjudul “Palm Trees Counting in
remote sensing imagery using Regression Convolutional Neural Network ”. Penelitian
ini bertujuan untuk penghitungan jumlah pohon palem menggunakan Regression
Convolutional Neural Network. Dengan menggunakan arsitektur AlexNet CNN yang
terdiri dari 5 convokution layers + 3 fully connected layers. Berdasarkan hasil pengujian
penghitungan pohon palem dengan metode CNN mendapatkan akurasi 95,08%
(Handayani H. Hepi, 2016) melalui penelitian yang berjudul “Studi Perhitungan
Jumlah Pohon Kelapa Sawit Menggunakan Kasifikasi Berbasis Objek ”. Penelitian ini
bertujuan untuk Mengidentifikasi dan menghitung jumlah pohon kelapa sawit
menggunakan algoritma K-Nearest Neighbors. Proses terdiri dari input data, cropping,
Segmentasi, Kasifikasi Berbasis objek, dan Training Area. Berdasarkan hasil pengujian
tersebut presentasi akurasi mencapai 84,61%.
(Salim L. Hadiwijaya et al., 2018) melalui penelitian yang berjudul “Pemetaan
Dinamika Hutan Mangrove menggunakan Drone dan Penginderaan Jauh di P. Rambut,
Kepulauan Seribu ”. Penelitian ini bertujuan untuk pemetaan dinamika luas hutan
mangrove di Pulau Rambut menggunakan citra satelit resolusi tinggi yang diperoleh
secara gratis dari Google Earth yaitu citra satelit GeoEye1 dan foto udara hasing
menggunakan UAV quadcopter DJI Phantom 3 Pro dengan menggunakan metode
analisis berbasis objek (OBIA). Berdasarkan hasil pengujian dari Pemetaan Hutan
Mangrove menggunakan Drone dengan metode berbasis objek, dengan nilai koefisien
kappa sebesar 0,62 dan akurasi keseluruhan pada tahun 2010 dan 2017 sebesar 77,3%.
Penelitian terdahulu yang telah dijelaskan diatas dapat dilihat pada Table 2.1.
 19

Tabel 2.1 Penelitian Terdahulu

No Peneliti Judul Penelitian Metode Keterangan

1. Mona A Batubara, Estimating the Adaptive mengidentifikasi

Syaiful Alam, Number of Trees in Thresholding jumlah pohon
Khoirin Nisa, Riza Margasari Mangrove dan Contour mangrove dengan
WA Utami, Helmy Forests of Lampung Extraction menggunakan
Fitriawan, dan Through Aerial Adaptive
Ardian Ulvan Images Using Thresholding dan
(2019) Adaptive hresholding Contour Extraction,
and Contour dengan tingkat
Extraction Methods akurasi 94,62%
2. Honghui Xie, Tobacco Plant K-NN mengidentifikasi dan
Zhun Fan, Wenji Recognizing and menghitung tanaman
Li, Yibiao Rong, Counting Based on tembakau
Yang Xiao, dan SVM menggunakan
Lei Zhao (2016) metode K-Nearest
Neighbors, dengan
tingkat akurasi
94,3%
3. Khelifa Djerriri, Palm Trees Counting Regression Penghitungan
Mohamed Ghabi, in remote sensing CNN jumlah pohon palem
Moussa Sofiane imagery using menggunakan
Karoui, dan Reda Regression Regression
Adjoudj (2018) Convolutional Neural Convolutional
Network Neural Network,
dengan tingkat
akurasi 95,08%
4. Hepi H. Studi Perhitungan K-NN Mengidentifikasi
Handayani (2016) Jumlah Pohon Kelapa dan menghitung
Sawit Menggunakan jumlah pohon kelapa
Kasifikasi Berbasis sawit menggunakan
Objek algoritma K-NN,
 20

dengan tingkat
akurasi 84,61%
5. Hadiwijaya Pemetaan Dinamika OBIA Hasil pemetaan
Lesmana Salim, Hutan Mangrove dinamika luas hutan
Restu Nur Afi Ati menggunakan Drone mangrove di Pulau
dan Terry Louise dan Penginderaan Rambut
Kepel (2018) Jauh di P. Rambut, menggunakan
Kepulauan Seribu metode berbasis
objek, dengan
tingkat akurasi
77,3%
 BAB 3
ANALISIS DAN PERANCANGAN

3.1 Pendahuluan

Pada penelitian ini penulis mengimplementasikan metode Region-based Convolutional

Neural Netowork (R-CNN) untuk mengidentifikasi serta menghitung jumlah pohon
mangrove pada citra yang diambil melalui pencitraan drone. Tahap awal yang harus
dilakukan adalah menganalisis data yang akan digunakan untuk proses identifikasi,
selanjutnya menganalisis beberapa tahap pengolahan citra yang digunakan, seperti
image processing, feature extraction dengan metode Gray Level Co-occurance Matrix
serta implementasi metode yang akan digunakan yaitu R-CNN untuk mengidentifikasi.
Untuk tahapan berikutnya adalah melakukan perancangan arsitektur umum, flowchart
serta tampilan antarmuka sistem.

3.1.1 Arsitektur Umum

Pada penelitian ini dilakukan identifikasi mengidentifikasi serta menghitung
jumlah pohon mangrove pada citra dengan menggunakan metode R-CNN dengan
tahapan–tahapan tersebut diawali dengan pengumpulan data citra mangrove yang
diperlukan untuk citra uji dan citra latih. Tahap selanjutnya yaitu tahap preprocessing
yang terdiri atas pembacaan piksel citra, selanjutnya adalah proses konvolusi dengan
algoritma R-CNN untuk mendapatkan nilai Feature Map, proses Region Proposal
Network untuk mendapatkan Region Proposal, proses Region Of Interest Pooling dan
proses Classifier Pooling untuk mendapatkan model deteksi citra Mangrove. Arsitektur
umum yang menunjukkan metode yang digunakan pada penelitian ini terdapat pada
Gambar 3.1.
 21

Gambar 3.1 Arsitektur Umum

Berdasarkan Gambar 3.1 tahapan tahapan yang akan dilakukan dalam penelitian ini
terdiri dari input, Pembacaan nilai piksel citra, proses CNN, Region Proposal, Region
of Interest Pooling dan Clasifier untuk mendapatkan Model Deteksi dan proses deteksi
pohon dengan input citra uji untuk penghitungan jumlah pohon Mangrove.
Tahap Pelatihan adalah seluruh data diproses ke dalam layer convolution network
dengan nilai weight yang diinisialisasi menggunakan Resnet50 dan menghasilkan
 22

feature map berdasarkan jumlah anchor. Selanjutnya feature map diproses ke regional
proposal network untuk mendapatkan region proposal. Region proposal selanjutkan
akan diproses ke dalam RoI Pooling dan classifier CNN untuk menentukan jenis kelas
(label) serta akurasi dalam pembuatan model berdasarkan jumlah epoch yang
digunakan. Pada tahap Pengujian digunakan untuk menguji model yang dihasilkan pada
tahap Pelatihan dengan tahap-tahap sebagai berikut:
1. Baca citra uji.
2. Citra uji dimasukkan ke dalam model yang sudah dibangun pada tahap Pelatihan.
3. Kemudian citra uji akan dideteksi apakah masuk pada klas citra pohon Mangrove
atau bukan.
4. Hitung jumlah data yang termasuk citra pohon Mangrove

3.1.2 Pembacaan Nilai Piksel

Sebelum dilakukan pengenalan citra pohon Mangrove, pada citra tersebut
dilakukan pembacaan nilai piksel untuk memperoleh tiga komponen warna (RGB).
Sebagai contoh sebuah citra warna dapat dilihat seperti pada Gambar 3.2.

<Header>
<data bitmap>
1001000010110100111100
1101000010110100100101
1001001110110101100111
1110011110110100110000
1000011010000100111111
1000010011110101110101

Gambar 3.2 Nilai Piksel 24 bit

Pada tahap awal citra berwarna 24-bit (true color) tidak terdapat palet RGB,
karena nilai RGB langsung diuraikan dalam data bitmap berbentuk biner. Untuk
membaca nilai RGB-nya, dilakukan mencari header-header serta data bitmap yang
berisi informasi dimensi, format dan nilai piksel citra. Setiap elemen data bitmap
panjangnya 3 byte, masing-masing byte menyatakan komponen R, G, dan B. Setiap byte
 23

data merepresentasikan 8 bit, jadi pada citra warna ada 3 byte x 8 bit = 24 bit kandungan
warna.
Pada citra warna, tiap pikselnya mengandung 24-bit kandungan warna atau 8-bit
untuk masing-masing warna dasar (R, G, dan B), dengan kisaran nilai kandungan antara
0 (00000000) sampai 255 (11111111) untuk tiap warna. Sebagai contoh suatu nilai
piksel sebuah citra warna seperti pada Gambar 3.3.

<Header>
Piksel 2
Piksel 1
<data bitmap>
100100001011010011110001 110100001011010010010100

xxxxxxxxxxxxxxxxxxxxxx Piksel n
xx

Gambar 3.3 Nilai Piksel Citra Warna

Pada contoh citra Gambar 3.3 di atas, data pertama adalah header yang berisi
informasi nama file, jenis format dan dimensi citra. Di bawah data bitmap terdapat
piksel pertama 100100001011010011110001. Tujuan yang hendak dicapai adalah
untuk mendapatkan nilai RGB. Citra pada Gambar 3.3 diatas dibaca nilai pikselnya,
misalkan piksel (0,0) nilai pikselnya (c) adalah 100100001011010011110001 (24 bit).
Nilai R, G dan B dihitung dengan persamaan dibawah ini sebagai berikut:
Nilai R = c and 255 …………………………………………………………... (3.1)
Nilai G = (c and 65280) / 256………………………………………….………. (3.2)
Nilai B = ((c and 16,711,680)/256)/256 ……....……...…………………........... (3.3)
Dimana c adalah nilai piksel citra
Pada Gambar 3.2 di atas, nilai piksel (0,0) adalah 100100001011010011110001. Nilai
R dihitung dengan persamaan diatas yaitu:
Nilai R = 100100001011010011110001 and 000000000000000011111111 =
= 000000000000000011110001 = 10 (desimal)
Nilai G = (100100001011010011110001 and 1111111100000000)/ 100000000
= 000000000000000010110100 = 50 (desimal)
Nilai B= (100100001011010011110001 and
111111110000000000000000) / 10000000000000000/
10000000000000000
 24

= 000000000000000010010000 = 10 (desimal)
Sehingga diperoleh nilai piksel (0,0):
R= 00001010 = 10 (desimal)
G= 00110010 = 50 (desimal)
B= 00001010 = 10 (desimal)
Dalam analisis ini jumlah piksel citra yang dihitung sebanyak 25 piksel saja dan untuk
mendapatkan nilai RGB piksel selanjutnya dilakukan sama seperti cara di atas dan
selanjutnya nilai RGB semua nilai piksel pada citra dimasukkan ke dalam matriks
seperti pada Tabel 3.1.

Tabel 3.1 Matriks Citra RGB

R G B R G B R G B R G B R G B
10,50,10 20,10,10 20,60,10 10,10,10 30,50,10
50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20,60,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Dari tabel 3.1 diatas, maka dapat dibentuk matriks citra Red Channel, Green Channel
serta citra Blue Channel. Tabel 3.2 adalah matriks citra Red Channel dapat dilihat
seperti seperti dibawah ini.
Tabel 3.2 Matriks Citra Red Channel
R R R R R
10 20 20 10 30
50 10 30 20 10
10 10 70 20 10
20 20 20 10 70
20 20 50 11 10

Dari tabel 3.1 diatas, maka dapat dibentuk matriks citra Green Channel yang dapat
dilihat seperti seperti pada Tabel 3.3.
 25

Tabel 3.3 Matriks Citra Green Channel

G G G G G
50 10 60 10 50
60 10 20 10 10
70 10 10 10 40
80 10 60 70 70
80 10 60 171 10

Dari tabel 3.1 diatas, maka dapat dibentuk matriks citra Blue Channel yang dapat dilihat
seperti seperti pada Tabel 3.4.

Tabel 3.4 Matriks Citra Blue Channel

B B B B B
10 10 10 10 10
80 20 30 50 10
10 10 10 10 10
10 20 10 10 20
10 10 70 12 10

3.1.3 Training Algoritma CNN

Untuk melakukan training citra dengan algoritma CNN dalam menentukan pohon
Mangrove dari citra inputan dimana proses awalnya menggunakan proses
convolutional, maxpooling, flattening dan fully connected. Pada convolutional layer,
konvolusi akan menghasilkan transformasi linear dari data sesuai dengan informasi
spasial pada data. Weight yang merupakan koneksi antar neuron (layer) akan melakukan
spesifikasi matriks konvolusi yang digunakan sehingga matriks konvolusi dapat dilatih
berdasarkan input pada CNN. Proses konvolusi dapat dilihat pada Gambar 3.14.
 26

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20,60,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10
(a)
1 0 0
1 1 0
0 1 1.
0 0 1
(b)
C(1,1) C(2,1) C(3,1)
C(1,2) C(2,2) C(3,2)
C(1,3) C(2,3) C(3,3)
(c)

Gambar 3.4 Konvolusi Pengujian (a) Citra Inputan, (b) Feature Detector

Gambar 3.4 merupakan sebuah contoh input data berupa nilai green channel (G) yang
direpresentasikan ke dalam bentuk matriks 5 x 5, feature detector 3 x 3 sebagai detektor
proses konvolusi. Matriks 3x3 bergerak dari sudut kiri atas dari input data feature dan
bergeser ke kanan sebanyak 1 kolom hingga semua kolom dari baris pertama input data
dilalui. Setelah semua baris pertama dari input data dimulai dari kiri menuju ke kanan
seperti yang dilakukan di baris pertama. Begitu juga dengan baris-baris selanjutnya
hingga semua data yang dimiliki input data dilalui yang kemudian disimpan dalam
matriks yang baru. Pergeseran matriks tahap 1 tersebut dapat dilihat dalam Gambar 3.5.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.5 Posisi Pergeseran Matriks Tahap 1

 27

Selanjutnya dilakukan pergeseran matriks tahap 2 tersebut dapat dilihat dalam Gambar
3.6.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.6 Posisi Pergeseran Matriks Tahap 2

Selanjutnya dilakukan pergeseran matriks tahap 3 tersebut dapat dilihat dalam Gambar
3.7.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.7 Posisi Pergeseran Matriks Tahap 3

Selanjutnya dilakukan pergeseran matriks tahap 4 tersebut dapat dilihat dalam Gambar
3.8.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.8 Posisi Pergeseran Matriks Tahap 4

 28

Selanjutnya dilakukan pergeseran matriks tahap 5 tersebut dapat dilihat dalam Gambar
3.9.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.9 Posisi Pergeseran Matriks Tahap 5

Selanjutnya dilakukan pergeseran matriks tahap 6 tersebut dapat dilihat dalam Gambar
3.10.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.10 Posisi Pergeseran Matriks Tahap 6

Selanjutnya dilakukan pergeseran matriks tahap 7 tersebut dapat dilihat dalam Gambar
3.11.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.11 Posisi Pergeseran Matriks Tahap 7

 29

Selanjutnya dilakukan pergeseran matriks tahap 8 tersebut dapat dilihat dalam Gambar
3.12.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.12 Posisi Pergeseran Matriks Tahap 8

Selanjutnya dilakukan pergeseran matriks tahap 9 tersebut dapat dilihat dalam Gambar
3.13.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10

Gambar 3.13 Posisi Pergeseran Matriks Tahap 9

Untuk setiap posisi, kita menghitung jumlah elemen perkalian antara matriks feature
detector dan matriks pada input data. Hasil dari jumlah perkalian matriks tersebut akan
menghasilkan feature map. Berdasarkan Persamaan (2.6) yaitu perhitungan tahap
convolutional, untuk menghitung nilai pergeseran matriks menggunakan feature map
adalah seperti pada Tabel 3.5.
 30

Tabel 3.5 Feature Map

Map Matriks Input

Feature
Detector C1,1 C2,1 C3,1 C1,2 C2,2 C3,2 C1,3 C2,3 C3,3
1 50 0 0 0 0 60 0 10 0
1 60 10 0 20 0 20 0 10 10
0 0 10 10 10 10 0 40 0 40
0 0 0 10 0 60 0 10 0 0
0 10 0 10 0 20 10 10 10 0
1 10 10 0 10 0 10 0 40 0
1 0 10 0 60 0 0 0 0 50
0 0 10 20 20 10 0 10 0 10
0 10 0 10 0 10 40 40 0 0
0 10 0 0 0 0 10 0 50 0
1 10 20 0 10 0 10 0 10 0
1 0 10 10 10 40 0 0 0 0
Total 160 80 70 140 150 160 110 130 110

Apabila proses konvolusi telah selesai, berikut adalah hasil akhir konvolusi nilai input
data citra seperti pada Gambar 3.14.

10,50,10 20,10,10 20,60,10 10,10,10 30,50,10

50,60,80 10,10,20 30,20,30 20,10,50 10,10,10
10,70,10 10,10,10 70,10,10 20,10,10 10,40,10
20,80,10 20,10,20 20060,10 10,70,10 70,70,20
20,80,10 20,10,10 50,60,70 11,17,12 10,10,10
(a)
1 0 0
1 1 0
0 1 1.
0 0 1
(b)

160 80 70
140 150 160
110 130 110
(c)
Gambar 3.14 Hasil Konvolusi, (a) Input image; (b) feature detector; (c) feature map
 31

Hasil dari jumlah perkalian matriks antara matriks input dan matriks feature detector
tersebut akan menghasilkan feature map. Pada tahapan selanjutnya adalah max pooling
yang dimana pada tahapan ini output yang awalnya convolutional layer akan diubah
menjadi beberapa grid kecil, selanjutnya nilai maksimum dari tiap grid tersebut diambil
untuk menyusun matriks citra yang telah direduksi. Hasil dari konvolusi tersebut akan
masuk ke proses max pooling. Max pooling akan menghasilkan output yang lebih kecil
dari convolution tetapi mengambil nilai maksimal dari matriks tersebut. Proses ini
ditunjukkan pada Gambar 3.15.

160 80 70 160 160

140 150 160 130 160
110 130 110

Gambar 3.15 Proses Max Pooling

Gambar tersebut menjelaskan tentang proses Max polling layer dimana pada gambar
diatas menggunakan ukuran 2×2 piksel sebagai pooling dan mencari nilai maksimum
yang ada pada matriks tersebut. Matriks 2×2 bergerak dari kiri atas pada feature map
dan bergeser ke matriks 2×2 selanjutnya sampai melalui semua nilai yang terdapat pada
feature map. Setiap matriks akan diambil nilai yang ada pada matriks tersebut sehingga
menghasilkan pooled feature map yang ada seperti gambar di atas. Kemudian setiap
convolutional layer digabungkan dengan aktifasi ReLu untuk membuat pembatas pada
bilangan nol, artinya apabila x ≤ 0 maka x = 0 dan apabila x > 0 maka x = x, lapisan ini
mengubah intensitas piksel ke aktivitas detektor fitur lokal yang kemudian digunakan
sebagai input ke primary capsule. Pada tahap selanjutnya, primary capsule akan terdiri
dari beberapa convolutional layer, max polling, dan fungsi aktifasi. Setiap output kapsul
primer melihat output dari semua unit convolutional layer yang bidang reseptifnya
tumpang tindih dengan lokasi pusat kapsul dimana setiap kapsul berbagi bobot satu
sama lain. Proses selanjutnya flattening, pada proses ini setiap hasil yang dihasilkan di
max pooling layer harus ditransformasilan menjadi array satu dimensi sebelum
dimasukkan ke proses fully connected layer. Hasil transformasi dari max pooling
ditunjukkan pada Gambar 3.16.
 32

160 160
130 160
Pooled Feature Map
160
160
130
160

Gambar 3.16 Proses Flattening

Pada Gambar 3.15 merupakan hasil dari max pooling dengan mentransformasikan array
tiga dimensi menjadi array satu dimensi. Proses ini bertujuan agar data tidak kehilangan
informasi spasial dan reversible. Selanjutnya adalah proses fully connected layer
dimana dilakukan menghubungkan setiap neuron dari layer ke layer lainnya. Pada layer
ini setiap data input akan dikalikan dengan weight yang akan dikalkulasikan untuk
mengaktifkan neuron tersebut. Pada fully connected layer dilakukan proses ANN
dimana pada lapisan terakhir adalah proses Fully Connected Layer. Pada lapisan
ini semua neuraon aktivitas dari lapisan sebelumnya terhubung semua dengan neuron
di lapisan selanjutnya seperti pada jaringan syaraf tiruan umumnya. Setiap aktivitas dari
lapisan sebelumnya perlu diubah menjadi data satu dimensi sebelum dapat dihubungkan
ke semua neuron di lapisan Fully-Connected seperti pada Gambar 3.17.

160 x1 160
160 x2 160
130 x3 130
160 x4 160

Gambar 3.17 Data Input

Selanjutnya data input diatas menjadi masukan jaringan Convolutional Neural Network
(CNN) untuk diproses kedalam 3 lapisan utama lalu diproses 3 lapisan aktivasi dan
dilakukan rekonstruksi menjadi citra output.
 33

3.1.4 Region Proposal Network (RPN)

Hasil konvolusi oleh CNN selanjutnya akan melalui proses Region Proposal
Network yaitu proses memisahkan latar belakang dari objek untuk menghasilkan
sekumpulan wilayah yang dideteksi menjadi objek yang dimaksud. RPN akan
menerima input berupa feature map yang telah diproses oleh konvolusi lalu
menjalankan sliding window untuk menghasilkan proposal berdasarkan anchor yang
telah ditentukan. Untuk setiap proposal akan dilakukan konvolusi untuk menghasilkan
nilai objektivitas (0-1) dimana nilai tersebut menandakan keberadaan objek atau
foreground. Proses selanjutnya pemberian peringkat pada region box yang disebut
anchor dan mengusulkan kotak yang kemungkinan besar berisi objek. Region boxes
yang disebut anchors akan mencari region yang diperkirakan mengandung objek. Pada
konfigurasi R-CNN disini terdapat 9 anchors di satu posisi pada citra. Sebagai contoh
Gambar 3.18 menunjukkan visualisasi ke 9 anchors pada posisi koordinat (320, 320)
dengan ukuran gambar sebesar (600,800).

Gambar 3.18 Visualisasi 9 Anchors pada Citra

Output dari RPN adalah sekelompok kotak yang akan diklasifikasi oleh regressor untuk
dideteksi apakah ada objek didalamnya. RPN memprediksi kemungkinan anchor dapat
menjadi background atau foreground. Visualisasi pergerakan anchor dapat dilihat
seperti pada Gambar 3.19.
 34

1. Posisi Anchor 1

Gambar 3.19 Posisi Anchors 1

Pada tahap awal, anchor 1 akan membaca citra secara keseluruhannya untuk pemberian
peringkat pada region box.

2. Posisi Anchor 2

Gambar 3.20 Posisi Anchors 2

Anchor 2 akan melakukan pembacaan piksel pada peringkat anchor yang tertinggi
untuk pencarian objek pada citra.
 35

3. Posisi Anchor 3

Gambar 3.21 Posisi Anchors 3

Citra yang terpilih akan dilanjutkan dengan pembacaan anchor selanjutnya untuk
menandai apakah pikselnya berada pada foreground atau back ground.

4. Posisi Anchor 4

Gambar 3.22 Posisi Anchors 4

Anchor selanjutnya akan melakukan pencarian piksel sebagai objek yang dicari sesuai
dengan peringkat.
 36

5. Posisi Anchor 5

Gambar 3.23 Posisi Anchors 5

6. Posisi Anchor 6

Gambar 3.24 Posisi Anchors 6

 37

7. Posisi Anchor 7

Gambar 3.25 Posisi Anchors 7

8. Posisi Anchor 8

Gambar 3.26 Posisi Anchors 8

 38

9. Posisi Anchor 9

Posisi Akhir Anchor

Gambar 3.27 Posisi Anchors 9

Pada Gambar 3.27 posisi anchors 9 berhenti pada objek foreground yang bernilai 1
sebagai objek yang dicari.

3.2 Perancangan

3.2.1 Flowchart Training

Flowchart Training algoritma Regon-Based Convolutional Neural Network (R-
CNN) adalah melakukan training pola citra pohon mangrove masukan yang harus
disajikan dalam bentuk vektor agar dapat dicari kelasnya. Setiap neuron keluaran
menyatakan kelas atau kategori tertentu, maka pola masukan dapat dikenali kelasnya
berdasarkan neuron keluaran yang diperoleh. Adapun flowchart Training dapat dilihat
seperti pada Gambar 3.28.
 39

Start

Citra Training

Image Praprosesing

Convolution

Pooling

Fully-connected

Region Proposal Network

ROI Pooling

Model R-CNN

Selesai

Gambar 3.28 Flowchart Training

Pada awalnya pengguna memasukkan input data sampel citra selanjutnya dilakukan
proses preprocessing citra sampel guna mendapatkan hasil testing yang maksimal.
Preprocessing yang dilakukan antara lain meliputi konversi citra berwarna mengambil
nilai Red, Green dan Blue Channel. Setelah preprocessing selesai, proses selanjutnya
dilakukan proses convolution, pooling untuk mendapatkan model R-CNN.
 40

3.2.2 Flowchart Testing

Flowchart Testing adalah merupakan proses pengujian sistem menggunakan
model R-CNN dari hasil proses training. Pada proses ini perhitungan jarak hasil
ekstraksi cirinya dengan model training R-CNN. Sehingga hasil akhir dari proses ini
menghasilkan akurasi dari deteksi pohon mangrove yang dilakukan. Adapun proses
Testing dapat dilihat seperti pada Gambar 3.29.

Start

Citra Testing & Model R-CNN

Image Prosesing

Baca Model R-CNN

Memanggil Label Map

Baca Frame (n)

Tidak
Pohon Mangrove?

Ya

Hitung n=n+1

Hasil Deteksi & Jumlah

Stop

Gambar 3.29 Flowchart Testing

 41

Keterangan:
Tahap awal dilakukan pemanggilan model R-CNN hasil training citra dan selanjutnya
dilakukan penginputan citra testing dan dilakukan pengolahan awal citra dan hasilnya
dilakukan perhitungan jaraknya dengan model R-CNN untuk mengidentifikasi citra.
Alur proses deteksi objek berbasis citra yang dihasilkan pada penelitian ini diawali
dengan input gambar yang akan digunakan untuk mendeteksi objek pohon Mangrove,
kemudian sistem akan membaca input citra yang dimasukkan untuk kemudian diproses
untuk mendeteksi objek yang terdapat didalamnya. Selanjutnya dilakukan pemanggilan
hasil proses pelatihan yang telah diubah menjadi file protobuf dan memanggil labelmap
untuk mendapatkan definisi label untuk deteksi objek. Tahapan selanjutnya sistem akan
membaca frame pada gambar yang telah diinput, jika terdeteksi berupa pohon, maka
tambah counter pohon dengan 1 kemudian menampilkan hasil deteksi dari objek pohon
mangrove yang dideteksi serta jumlahnya.

3.2.3 Perancangan form Menu

Perancangan form Menu adalah rancangan yang berfungsi untuk meletakkan
keterangan tentang penelitian deteksi dan penghitungan pohon Mangrove seperti pada
Gambar 3.30.

File 1
Logo USU

Training 2

Deteksi Pohon 3 4

Gambar 3.30 Rancangan Form Menu

Keterangan:
1. Menu File = menu untuk menampilkan sub menu
2. Sub Menu untuk pemanggilan program training citra
 42

3. Sub Menu untuk pemanggilan program pndeteksian dan penghitungan pohon

4. Axes = tempat menampilkan logo kampus

3.2.4 Perancangan form Pelatihan

Perancangan form Pelatihan adalah rancangan yang berfungsi untuk melakukan
pelatihan semua citra pelatihan atau training pohon mangrove seperti pada Gambar
3.31.
Dataset Mangrove

Jumlah Data XXXX

Error Min XXXX

Learning Rate XXXX

Gambar 3.31 Rancangan Form Pelatihan

3.2.5 Perancangan Form Deteksi Dan Penghitungan Pohon

Perancangan form deteksi dan penghitungan pohon adalah rancangan yang
berfungsi untuk melakukan identifikasi dan menghitung pohon pada sebuah citra seperti
pada Gambar 3.32.

Citra Asli Citra Red Channel Citra Green Citra Blue Channel
Channel

1 2 3 4

File: 5 Citra Hasil

Jumlah Pohon
Teridentifikasi
Size 6 Dimensi 7 9
: : 8

Load Image Praprosesing Proses Bersih Keluar

10 11 12 13 14

Gambar 3.32 Rancangan Form Deteksi Penghitungan Pohon

 43

Keterangan:
1. Axes = tempat menampilkan citra asli
2. Axes = tempat menampilkan citra red channel
3. Axes = tempat menampilkan citra green channel
4. Axes = tempat menampilkan citra blue channel
5. Edit Text = tempat menampilkan nama file citra pengujian
6. Edit Text = tempat menampilkan ukuran file citra pengujian (Kbyte)
7. Edit Text = tempat menampilkan dimensi file citra pengujian (piksel)
8. Edit Text = tempat menampilkan hasil pengujian jumlah pohon yang terdeteksi
9. Axes = tempat menampilkan citra hasil
10. Button = tombol untuk mencari dan menampilkan file citra
11. Button = tombol untuk melakukan praprosesing citra
12. Button = tombol untuk melakukan proses deteksi pohon
13. Button = tombol untuk melakukan pembersihan layar
14. Button = tombol untuk melakukan menutup halaman
 BAB 4
IMPLEMETASI DAN PENGUJIAN

4.1 Implementasi Sistem

Pada bab ini akan dijabarkan hasil implementasi sistem yang diperoleh dari penerapan
dan pengujian perangkat lunak dalam mendeteksi pohon Mangrove menggunakan
metode Region Based Convolution Neural Network (R-CNN) yang sudah dijelaskan
sebelumnya. Pada bab ini juga dilakukan perhitungan akurasi dalam hasil deteksinya
dengan mengetahui jumlah pohon Mangrove pada setiap citra. Adapun data yang diolah
adalah citra pohon Mangrove memiliki ukuran 4000x3000 piksel dalam bentuk format
*.jpg.

4.1.1 Spesifikasi Hardware dan Software

Penerapan Metode Region Based Convolution Neural Network untuk mendeteksi
pohon Mangrove berdasarkan citra hasil capture drone dengan ketinggian +- 30 M dari
permukaan tanah yang memiliki syarat spesifikasi hardware dan software yang
digunakan:
1. Hardware
Hardware yang akan dipakai untuk menciptakan aplikasi ini adalah :
a. Processor AMD Ryzen 7
b. RAM 12 Gb
c. Resolusi layar VGA 1024 x 768 pixel dan color depth 32 bit
d. Harddisk/SSD 1000 GB/500 GB.
2. Software
Software yang dalam untuk berjalannya aplikasi ini adalah:
a. System Operasi Microsoft Windows 11
b. Tools Matlab 2015b.
 45

4.1.2 Data Yang Digunakan

Data yang digunakan pada penelitian ini adalah citra Input yang berupa data citra
ini dibagi menjadi dua jenis yaitu data testing dan data training. Jumlah data citra yang
diperoleh terdapat 280 citra dimana 260 file citra sebagai data training dan 20 citra
sebagai data testing. Data Training yang digunakan dapat dilihat seperti pada Gambar
4.1.

Gambar 4.1 Data Yang Digunakan

 46

Pada Gambar diatas, data yang digunakan adalah citra dengan ukuran asli dari camera
drone yang dipakai untuk melakukan capture pohon Mangrove yaitu citra warna
berformat JPG dengan dimensi 4000x3000 piksel dengan ukuran rata-rata 10.5 MB.
Aplikasi yang dibangun ini memerlukan kalkulasi yang sangat rumit dan penggunaan
sampel citra dengan dimensi yang besar dan hasil pendeteksian dan perhitungan sangat
berpengaruh pada spesifikasi komputer yang digunakan, agar bisa berjalan dengan baik
maka spesifikasi hardware harus disesuai.
Sebagai data testing digunakan 20 file citra seperti yang terlihat pada Gambar
4.2.

Gambar 4.2 Data Testing

Data testing diatas terdapat label jumlah pada masing-masing pohon antara lain:
1. P-8 jumlah pohon = 8
2. P-19 jumlah pohon =19
3. P-20 jumlah pohon = 20
4. P-22 jumlah pohon = 22
5. P-23 jumlah pohon = 23
6. P-25 jumlah pohon = 25
7. P-26 jumlah pohon = 26
8. P-30 jumlah pohon = 30
9. P-31 jumlah pohon = 31
10. P-33 jumlah pohon = 33
11. P-37 jumlah pohon = 37
12. P-40 jumlah pohon = 40
13. P-42 jumlah pohon = 42
 47

14. P-44 jumlah pohon = 44

15. P-46 jumlah pohon = 46
16. P-48 jumlah pohon = 48
17. P-50 jumlah pohon = 50
18. P-55 jumlah pohon = 55
19. P-76 jumlah pohon = 76
20. P-85 jumlah pohon = 85
Sumber semua data jumlah pohon diatas diperoleh dengan cara menghitung secara
manual ke lokasi tanaman Mangrove.

4.1.3 Tampilan Menu

Tampilan Menu pada aplikasi ini adalah hasil penerapan bahasa pemrograman
yang sudah melalui proses perancangan interface yang disesuaikan untuk proses hasil
akhir. Interface biasa berwujud form yang bisa kita uraikan sebagai berikut yaitu
tampilan Menu yang dapat dilihat seperti pada Gambar 4.3.

Gambar 4.3 Tampilan Menu

 48

Pada tampilan Menu aplikasi Gambar 4.3 diatas terdapat menu File yang berisi sub
menu Training Data dan Deteksi Pohon serta tampilan judul penelitian dan informasi
tentang aplikasi.

4.1.4 Tampilan Training

Tampilan Training pada aplikasi ini adalah hasil penerapan bahasa
pemrograman untuk melakukan pelatihan semua dataset citra pohon Mangrove dengan
parameter Jaringan R-CNN yaitu batas nilai error serta learning rate (α) dan proses
akan berhenti jika parameter tersebut dilampaui dengan menampilkan nilai epoch atau
iterasi yang sudah dilewati. Tampilan Training dapat dilihat seperti pada Gambar 4.4.

Gambar 4.4 Tampilan Training

Pada Tampilan Training Gabar 4.4 diatas terdapat data yang akan dilatih adalah Dataset
magrove dengan maksimum error 0.01 dan learning rate sebesar 0.25 dan hasilnya
dapat dilihat seperti pada Gambar 4.5.

Gambar 4.5 Tampilan Hasil Training

 49

4.2 Pengujian

Pengujian dilakukan berfungsi untuk mengetahui performa aplikasi yang telah dibuat
dengan melakukan pendeteksian dan penghitungan jumlah pohon Mangrove pada setiap
data citra yang diolah. Hasil pengujian deteksi dan penghitungan jumlah pohon dapat
dilihat seperti pada Gambar 4.6.

1. File P-8

Gambar 4.6 Pengujian File P-8

Hasil deteksi pohon berjumlah 8 pohon
2. File P-19

Gambar 4.7 Pengujian File P-19

Hasil deteksi pohon berjumlah 18 Pohon

 50

3. File P-20

Gambar 4.8 Pengujian File P-20

Hasil deteksi pohon berjumlah 24 Pohon

4. File P-22

Gambar 4.9 Pengujian File P-22

Hasil deteksi pohon berjumlah 23 Pohon

 51

5. File P-23

Gambar 4.10 Pengujian File P-23

Hasil deteksi pohon berjumlah 23 Pohon

6. File P-25

Gambar 4.11 Pengujian File P-25

Hasil deteksi pohon berjumlah 24 Pohon

 52

7. File P-26

Gambar 4.12 Pengujian File P-26

Hasil deteksi pohon berjumlah 26 Pohon

8. File P-30

Gambar 4.13 Pengujian File P-30

Hasil deteksi pohon berjumlah 33 Pohon

 53

9. File P-31

Gambar 4.14 Pengujian File P-31

Hasil deteksi pohon berjumlah 30 Pohon

10. File P-33

Gambar 4.15 Pengujian File P-33

Hasil deteksi pohon berjumlah 28 Pohon
 54

11. File P-34

Gambar 4.16 Pengujian File P-34

Hasil deteksi pohon berjumlah 29 Pohon

12. File P-40

Gambar 4.17 Pengujian File P-40

Hasil deteksi pohon berjumlah 38 Pohon

 55

13. File P-42

Gambar 4.18 Pengujian File P-42

Hasil deteksi pohon berjumlah 41 Pohon

14. File P-44

Gambar 4.19 Pengujian File P-44

Hasil deteksi pohon berjumlah 44 Pohon

 56

15. File P-46

Gambar 4.20 Pengujian File P-46

Hasil deteksi pohon berjumlah 31 Pohon

16. File P-48

Gambar 4.21 Pengujian File P-48

Hasil deteksi pohon berjumlah 37 Pohon
 57

17. File P-50

Gambar 4.22 Pengujian File P-50

Hasil deteksi pohon berjumlah 48 Pohon
18. File P-55

Gambar 4.23 Pengujian File P-55

Hasil deteksi pohon berjumlah 42 Pohon
 58

19. File P-76

Gambar 4.24 Pengujian File P-76

Hasil deteksi pohon berjumlah 86 Pohon

20. File P-85

Gambar 4.25 Pengujian File P-85

Hasil deteksi pohon berjumlah 78 Pohon

 59

Tabel 4.1 Nilai Akurasi Hasil Pengujian

Jumlah Pohon
Dimensi Jumlah Pohon
No Nama File Terdeteksi Akurasi (%)
(piksel) (Manual)
(Sistem)
12000000 8 8 8/8*100=100
1 File P-8
12000000 19 18 94.73
2 File P-19
12000000 20 24 83.33
3 File P-20
12000000 22 23 95.65
4 File P-22
12000000 23 23 100
5 File P-23
12000000 25 24 96
6 File P-25
12000000 26 26 100
7 File P-26
12000000 30 33 90.90
8 File P-30
12000000 31 30 96.77
9 File P-31
12000000 33 28 84.84
10 File P-33
12000000 34 29 85.29
11 File P-34
12000000 40 38 95
12 File P-40
12000000 42 41 97.61
13 File P-42
12000000 44 44 100
14 File P-44
12000000 46 31 67.39
15 File P-46
12000000 48 37 77.08
16 File P-48
12000000 50 48 96
17 File P-50
12000000 55 42 76.36
18 File P-55
12000000 76 86 88.37
19 File P-76
12000000 85 78 91.76
20 File P-85
Rata-rata 90.85

Dari tabel 4.1 diatas, maka dapat dimasukan kedalam grafik nilai akurasi seperti pada
Gambar 4.26.
 60

Gambar 4.26 Grafik Nilai Akurasi

Pada Gambar 4.26 dapat dilihat nilai rata-rata akurasi pengujian pendeteksian dan
penghitungan jumlah pohon memiliki nilai 90.85% dengan jumlah data pengujian
sebanyak 20 citra. Akurasi terbaik adalah pada pendeteksian citra 1, 7 dan 14 dengan
akurasi 100 %.
 BAB 5
KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah melakukan mendeteksi pohon Mangrove menggunakan metode Region Based

Convolution Neural Network (R-CNN) dengan terlebih dahulu dilakukan training citra
pelatihan sebanyak 240 data citra dan testing sebanyak 20 data citra yang berdimensi
4000 x 3000 piksel, maka dapat diambil kesimpulan bahwa:
a. Aplikasi dapat melakukan pembacaan piksel citra training dengan parameter
jaringan maksimal error sebesar 0.01 dan learning rate sebesar 0.05.
b. Aplikasi dapat melakukan training pada semua citra pelatihan.
c. Aplikasi dapat melakukan deteksi dan menghitung jumlah pohon Mangrove
dengan hasil nilai akurasi sebesar 90.85%.

5.2 Saran

Adapun saran-saran pada penelitian ini adalah untuk pengujian kehandalan sistem
dengan melakukan pendeteksian dan penghitungan pohon Mangrove dengan variasi
ketinggian camera serta intensitas cahaya matahari pagi, siang maupun sore hari dan
juga melalui foto satelit cuaca LandSat.
 DAFTAR PUSTAKA

Girshick, Ross et al. 2014. Rich Feature Hierarchies for Accurate Object Detection and
Semantic Segmentation. 2014 IEEE Conference on Computer Vision and Pattern
Recognition.

Uijlings, J. R. R. et al. 2013. Selective Search for Object Recognition. International

Journal of Computer Vision 104.2.

Giesen, W. 2006. M Angrove Guidebook. In Mangrove guidebook for Southeast Asia.

https://doi.org/10.1086/346169.

FAO. (2007). The world’s mangroves 1980-2005. Rome: Food and Agriculture
Organization of the United Nations.

Zitnick, C. Lawrence, P. Dollar. 2014. Edge boxes : Locating object proposals from
edges. Computer Vision-ECCV. Springer Internasional Publishing. Pages 391-
4050

Djerriri Khelifa, Ghabi Mohamed, Karoui MS, Adjoudj . 2018. Palm Trees Counting in
Remote Sensing Imagery Using Regression Convolutional Neural Network, in
2018 International Geoscience and Remote Sensing Symposium, IEEE.

H. Xie, Z. Fan, W. Li, Y. Rong, Y. Xiao and L. Zhao. 2016. Tobacco Plant Recognizing
and Counting Based on SVM. International Conference on Industrial Informatics
-Computing Technology, Intelligent Technology, Industrial Information
Integration (ICIICII), Wuhan, pp. 109-113

Handayani H. Hepi. 2016. Studi Perhitungan Jumlah Pohon Kelapa Sawit

Menggunakan Kasifikasi Berbasis Objek. Institut Teknologi Sepuluh Nopember.
Jurnal Faksio 2016 PP 112-145.

Salim H. L, Ati Restu Nur Afi, Kepel Terry Louise. 2018. Pemetaan Dinamika Hutan
Mangrove menggunakan Drone dan Penginderaan Jauh di P. Rambut, Kepulauan
Seribu. Jurnal Tekno 2018 PP 141-184.

Onrizal, Kusmana Cecep. 2008. Studi Ekologi Hutan Mangrove di Pantai Timur
Sumatera Utara. Biodiversitas, vol. 9, no. 1 pp. 25 – 29.

Zufar M, Setiyono B. 2016. Convolutional Neural Network untuk Pengenalan Wajah

Secara Real-Time. J Sains dan Seni ITS Vol 5 No 2, A72-7.

Krizhevsky A, Sutskever I, Hinton GE. (2012). ImageNet Classification with Depp

Convolutional Neural Network. Proccedings of the Ywenty-Sixth Annual
Conference on Neural Information Processing Systems. Lake Tahoe, NY, USA, 3-
8 December, 1097-1105.
 38

Mona A .B., Syaiful Alam, Khoirin Nisa, Riza W. A. Utami, Helmy Fitriawan, dan
Ardian Ulvan. 2019. Estimating the Number of Trees in Margasari Mangrove
Forests of Lampung Through Aerial Images Using Adaptive hresholding and
Contour Extraction Methods. Universitas Lampung.

Girshick, R., J. Donahue, T. Darrell, and J. Malik. 2014. Rich Feature Hierarchies for
Accurate Object Detection and Semantic Segmentation. CVPR '14 Proceedings of
the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Pages
580-587.

Gonzalez, R.C. & Woods, R.E. 2003. Digital Image Processing. Second edition, USA:
Addison-Wesley Publishing Co, University of Tennessee.

Kumar, T., & Verma, K. 2010a. A Theory Based on Conversion of RGB image to Gray
image. International Journal of Computer Applications, 7(2), 5-12.
https://doi.org/10.5120/1140-1493.

Kumar, T., & Verma, K. 2010b. A Theory Based on Conversion of RGB image to Gray
image. International Journal of Computer Applications, 7(2), 5-12.
https://doi.org/10.5120/1140-1493.

Ellison, A. M. 2006. Exploring Mangroves Tropical Mangrove Ecosystems A. I.

Robertson D. M. Alongi. BioScience, 44(3), 187-188.
https://doi.org/10.2307/1312261.

Mathworks. 2022. https://www.mathworks.com/help/vision/ug/getting-started-with-r-

cnn-fast-r-cnn-and-faster-r-cnn.html (Februari)

Towardatasciene. 27 April, 2019. https://towardsdatascience.com/r-cnn-for-object-

detection-a-technical-summary-9e7bfa8a557c (Maret)

Mangrove Action Project. 2015. Endangered Specied Associated with Mangroves.

from http://mangroveactionproject.org/endangered-species/ (Maret)

UNEP. (2014). Importance of Mangroves to People: A Call to Action: United Nations

Environment Programme World Conservation Monitoring Centre, Cambridge.

Suartika WEP, Wijaya YA, Soelaiman R. 2016. Klasifikasi Citra Menggunakan

Convolutional Neural Network Pada Celth 101. J Teknik ITS Vol 5. No 1. A65-
A69

Sutoyo T., Mulyanto, E., Suhartono, V., Nuhayati, O. D. & Wijanarto. 2010. Teori
Pengolahan Citra Digital. Penerbit ANDI Yogyakarta.

Abdul, K., & Adhi, S. 2012. Pengolahan Citra Teori dan Aplikasi.
Universitas Gajah Mada

Waryono, T. 2000. Keanekaragaman Hayati dan Konservasi Ekosistem Mangrove.

Diskusi Panel Program Studi Biologi Konservasi. Jakarta : FMIPA-UI