KEVIN CHRISTOPER A
151402126
KEVIN CHRISTOPER A
151402126
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
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%.
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.
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.
Adapun tujuan dari penelitian ini adalah menghitung jumlah pohon mangrove pada
suatu wilayah menggunakan metode Region-based Convolutional Neural Network
untuk mengidentifikasi pohon mangrove.
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
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.
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
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).
mengklasifikasikan RoI yang sudah diidentifikasi pada RPN ke dalam kelas atau target
yang sesuai. Teknik yang digunakan pada tahap ini adalah 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.
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.
Secara umum jenis layer pada Convolutional neural network dibedakan menjadi dua
yaitu, layer ekstraksi dan layer klasifikasi.
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
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
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
<Header>
<data bitmap>
1001000010110100111100
1101000010110100100101
1001001110110101100111
1110011110110100110000
1000011010000100111111
1000010011110101110101
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
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.
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
Dari tabel 3.1 diatas, maka dapat dibentuk matriks citra Blue Channel yang dapat dilihat
seperti seperti pada Tabel 3.4.
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.
Selanjutnya dilakukan pergeseran matriks tahap 2 tersebut dapat dilihat dalam Gambar
3.6.
Selanjutnya dilakukan pergeseran matriks tahap 3 tersebut dapat dilihat dalam Gambar
3.7.
Selanjutnya dilakukan pergeseran matriks tahap 4 tersebut dapat dilihat dalam Gambar
3.8.
Selanjutnya dilakukan pergeseran matriks tahap 5 tersebut dapat dilihat dalam Gambar
3.9.
Selanjutnya dilakukan pergeseran matriks tahap 6 tersebut dapat dilihat dalam Gambar
3.10.
Selanjutnya dilakukan pergeseran matriks tahap 7 tersebut dapat dilihat dalam Gambar
3.11.
Selanjutnya dilakukan pergeseran matriks tahap 8 tersebut dapat dilihat dalam Gambar
3.12.
Selanjutnya dilakukan pergeseran matriks tahap 9 tersebut dapat dilihat dalam Gambar
3.13.
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
Apabila proses konvolusi telah selesai, berikut adalah hasil akhir konvolusi nilai input
data citra seperti pada Gambar 3.14.
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.
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
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
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
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
Pada tahap awal, anchor 1 akan membaca citra secara keseluruhannya untuk pemberian
peringkat pada region box.
2. Posisi Anchor 2
Anchor 2 akan melakukan pembacaan piksel pada peringkat anchor yang tertinggi
untuk pencarian objek pada citra.
35
3. Posisi Anchor 3
Citra yang terpilih akan dilanjutkan dengan pembacaan anchor selanjutnya untuk
menandai apakah pikselnya berada pada foreground atau back ground.
4. Posisi Anchor 4
Anchor selanjutnya akan melakukan pencarian piksel sebagai objek yang dicari sesuai
dengan peringkat.
36
5. Posisi Anchor 5
6. Posisi Anchor 6
7. Posisi Anchor 7
8. Posisi Anchor 8
9. Posisi Anchor 9
Pada Gambar 3.27 posisi anchors 9 berhenti pada objek foreground yang bernilai 1
sebagai objek yang dicari.
3.2 Perancangan
Start
Citra Training
Image Praprosesing
Convolution
Pooling
Fully-connected
ROI Pooling
Model R-CNN
Selesai
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
Start
Image Prosesing
Tidak
Pohon Mangrove?
Ya
Hitung n=n+1
Stop
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.
File 1
Logo USU
Training 2
Deteksi Pohon 3 4
Keterangan:
1. Menu File = menu untuk menampilkan sub menu
2. Sub Menu untuk pemanggilan program training citra
42
Citra Asli Citra Red Channel Citra Green Citra Blue Channel
Channel
1 2 3 4
10 11 12 13 14
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
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.
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.
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.
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.
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
3. File P-20
4. File P-22
5. File P-23
7. File P-26
8. File P-30
9. File P-31
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
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
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.
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
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.
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.
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