IMPLEMENTASI INCEPTIONV3 DALAM CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI JENIS KAYU PADA XYLARIUM BOGORIENSE

Fikri Habib Ramadhan, - (2024) IMPLEMENTASI INCEPTIONV3 DALAM CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI JENIS KAYU PADA XYLARIUM BOGORIENSE. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Identifikasi jenis kayu merupakan aspek penting dalam pengelolaan hutan berkelanjutan dan konservasi keanekaragaman hayati. Penentuan jenis kayu secara akurat dapat membantu dalam upaya pelestarian spesies kayu yang langka dan mencegah perdagangan kayu ilegal. Xylarium Bogoriense, sebagai pusat referensi kayu, memiliki peran penting dalam hal ini. Namun, metode identifikasi kayu secara konvensional yang mengandalkan keahlian manusia memiliki keterbatasan dalam hal kecepatan dan akurasi. Oleh karena itu, penelitian ini membahas penggunaan arsitektur InceptionV3 dalam Convolutional Neural Network (CNN) untuk identifikasi jenis kayu pada Xylarium Bogoriense. Tujuan dari penelitian ini adalah untuk mengevaluasi kinerja model InceptionV3 dengan menggunakan matrik evaluasi seperti accurate, precision, recall, dan F1-score dengan confusion matrix. Pusat Standardisasi Instrumen Pengelolaan Hutan Berkelanjutan Xylarium Bogoriense institusi yang menyediakan data sebagai bahan penelitian. Hasil menunjukkan model InceptionV3 memiliki akurasi 98% dan akurasi validasi 96%. Setelah tuning hyperparameter seperti batch size, epoch, serta augmentasi data, akurasi validasi meningkat menjadi 99,97% dengan loss 0,11%, dan bahkan mencapai akurasi validasi 100% dengan loss validasi 0%. Ini menunjukkan bahwa augmentasi data dan tuning hyperparameter sangat berperan dalam peningkatan kinerja, dan InceptionV3 terbukti sangat efektif dalam identifikasi jenis kayu. ------------- Wood species identification is an important aspect of sustainable forest management and biodiversity conservation. Accurate determination of wood species can help in efforts to conserve rare wood species and prevent illegal timber trade. Xylarium Bogoriense, as a wood reference center, has an important role in this regard. However, conventional wood identification methods that rely on human expertise have limitations in terms of speed and accuracy. Therefore, this research addresses the use of InceptionV3 architecture in Convolutional Neural Network (CNN) for wood species identification at Xylarium Bogoriense. The purpose of this study is to evaluate the performance of the InceptionV3 model using evaluation matrices such as accurate, precision, recall, and F1-score with confusion matrix. The Xylarium Bogoriense Sustainable Forest Management Instrument Standardization Center is an institution that provides data as research material. Results showed the InceptionV3 model had 98% accuracy and 96% validation accuracy. After tuning hyperparameters such as batch size, epoch, as well as data augmentation, the validation accuracy increased to 99.97% with 0.11% loss, and even reached 100% validation accuracy with 0% validation loss. This shows that data augmentation and hyperparameter tuning play a great role in performance improvement, and InceptionV3 proves to be very effective in wood species identification.

	Text S_RPL_2004386_Title.pdf Download (419kB)
	Text S_RPL_2004386_Chapter1.pdf Download (211kB)
	Text S_RPL_2004386_Chapter2.pdf Restricted to Staf Perpustakaan Download (798kB)
	Text S_RPL_2004386_Chapter3.pdf Download (1MB)
	Text S_RPL_2004386_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_RPL_2004386_Chapter5.pdf Download (178kB)
	Text S_RPL_2004386_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB)

Item Type:	Thesis (S1)
Additional Information:	Hendriyana : NIDN0404058703 MOCHAMAD IQBAL ARDIMANSYAH : NIDN0428039101
Uncontrolled Keywords:	Identifikasi Jenis Kayu, Convolutional Neural Network, Transfer Learning, InceptionV3, Hyperparameter Tuning, Wood Species Identification
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA76 Computer software
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Fikri Habib Ramadhan
Date Deposited:	12 Sep 2024 02:41
Last Modified:	12 Sep 2024 02:41
URI:	http://repository.upi.edu/id/eprint/121463

Actions (login required)

View Item