Please use this identifier to cite or link to this item:
http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5568
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Rosnelly, Rika | - |
dc.date.accessioned | 2023-04-19T05:03:23Z | - |
dc.date.available | 2023-04-19T05:03:23Z | - |
dc.date.issued | 2023 | - |
dc.identifier.issn | 2615 – 3262 | - |
dc.identifier.uri | http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5568 | - |
dc.description | Di Indonesia, Serangan organisme pengganggu tanaman (OPT) menjadi salah satu permasalahan yang sering dialami petani. Sementara alang alang sekarang menyebar ke seluruh bagian Tenggara, menggantikan tanaman asli. Menurut Rahayu (1993) dalam Sianturi (2003), luas padang alang-alang di Indonesia diperkirakan sebesar 10.56 juta H.. Ini tidak memberikan nilai makanan bagi satwa liar asli, dan meningkatkan ancaman kebakaran hutan karena alang-alang lebih cepat tumbuh daripada rumput asli. Ini baru satu spesies invasif dari banyak spesies yang dapat memiliki konsekuensi merusak pada lingkungan, ekonomi, dan bahkan kesehatan manusia. Meskipun berdampak luas, upaya untuk melacak lokasi dan penyebaran spesies invasif terus dilakukan tetapi biaya yang sangat mahal mengakibatkan sulitnya melakukan dalam skala besar. Karena para ilmuwan tidak dapat mengambil sampel area dalam jumlah besar, beberapa teknik pembelajaran mesin digunakan untuk memprediksi ada tidaknya spesies invasif di area yang belum diambil sampelnya. Keakuratan pendekatan ini jauh dari optimal, tetapi masih memberikan kontribusi pada pendekatan untuk memecahkan masalah ekologi. Para ahli ekologi telah menyelenggarakan kompetisi Kaggle untuk memeriksa apakah komputer dapat secara akurat mengidentifikasi spesies invasif dalam gambar. Dalam karya ini, kami menunjukkan bahwa pembelajaran transfer Deep Convolutional Neural Network (CNNs Trained on imagenet dataset) bekerja dengan baik dalam mengidentifikasi gambar hydrangea invasive hal ini juga tidak terlepas pada fungsi optimizer yang digunakan. Dalam computer vison, CNN telah dikenal sebagai model visual yang kuat serta menghasilkan hierarki fitur segmentasi yang akurat. Mereka juga dikenal melakukan prediksi yang relatif lebih cepat daripada algoritma lain dengan tetap mempertahankan kinerja kompetitif pada waktu yang sama. Metode optimasi Gradient Descent sering digunakan untuk pelatihan Jaringan Syaraf Tiruan (JST). Metode ini berperan dalam menemukan nilai bobot yang memberikan nilai keluaran terbaik. Prinsip kerja metode Gradient Descent adalah memperkecil nilai fungsi biaya dengan mengubah nilai parameter selangkah demi selangkah. Telah diimplementasikan tiga buah metode optimasi yaitu SGD, ADADELTA, dan Adam pada sistem Jaringan Saraf Tiruan untuk klasifikasi data aritmia. Pada penelitian ini metode Adam terbukti lebih akurat dibandingkan kedua metode lainnya diatas. Ini sesuai dengan penelitian sebelumnya tentang “Perbandingan Metode Optimasi Stochastic Gradient Descent, ADADELTA, dan Adam pada Jaringan Saraf Tiruan dalam Klasifikasi Data Aritmia” | en_US |
dc.description.abstract | invasive species are threatening indigenous species habitat in many countries around the world. Nowadays, the monitoring method relies on scientists. Scientists are skilled to see the determined areas and record the living species. Applying high skill labors requires high cost, inefficient time and limited scope as the large area cannot be reached by the man. In this research, engine based learning approach was presented to identify the image of invasive hydrangea (indigenous species from Asia) with data collection around 800 images taken form the Brazil national forest and Hydrangea appears in some images. Gradient Descent optimization method is frequently used for artificial neural network. This method roles to discover standard grade for the best output. The Gradient Descent method role play is minimizing the cost function grade by changing the parameter grade step by step. Three optimization methods have been implemented namely Stochastic Gradient Descent (SGD), ADADELTA, and Adam in the artificial neural network (Ann) for classifying aritmia data [32]. This research used the most suitable error grade limitation from each optimization method as the indicators at the end of the training. The result of this research showed that artificial nerve tissue using Adam optimization gets the highest accuration compared with SDG and ADADELTA optimization methods. Deep Learning Technique applied extensively in image introduction is Adam optimization. The training model has reached accuration to 83, 5 % and showed properness of approach conducted | en_US |
dc.publisher | Journal of Science and Social Research | en_US |
dc.subject | SGD, Adadelta, Adam, Optimizer Function | en_US |
dc.title | PERBANDINGAN OPTIMASI SGD, ADADELTA, DAN ADAM DALAM KLASIFIKASI HYDRANGEA MENGGUNAKAN CNN | en_US |
dc.type | Other | en_US |
Appears in Collections: | A Paper |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
51. PERBANDINGAN OPTIMASI SGD, ADADELTA, DAN.pdf | 716.42 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.