Kinerja Model EfficientNetV2M dalam  Klasifikasi Citra Tutupan dan  Penggunaan Lahan

MUHAMMAD ICHWAN; IHSAN SAIFUL HADI

doi:10.26760/mindjournal.v8i2.203-216

Kinerja Model EfficientNetV2M dalam Klasifikasi Citra Tutupan dan Penggunaan Lahan

MUHAMMAD ICHWAN, IHSAN SAIFUL HADI

Sari

Abstrak

Tutupan lahan merujuk pada unsur-unsur fisik yang terlihat di permukaan bumi, termasuk berbagai material seperti rumput, aspal, pepohonan, tanah terbuka, air, dan material fisik lainnya. Penggunaan lahan mengacu pada bagaimana manusia memanfaatkan lahan, baik di wilayah perkotaan maupun pedesaan. Klasifikasi menggunakan deep learning merupakan metode yang akurat dan bertujuan untuk membantu mendapatkan informasi mengenai tutupan lahan di suatu wilayah. Pada penelitian ini digunakan metode EfficientNetV2M yang merupakan versi terbaru dari pendahulunya yaitu EfficientNet, yang mana metode EfficientNetv2M diharapkan mampu melakukan tugasnya untuk klasifikasi citra satelit tutupan lahan. Beberapa hyperparameter yang digunakan untuk membantu EfficientNetV2M dalam mencapai kinerja yang optimal ini adalah activation function ReLU dan GELU. Hasil klasifikasi tertinggi yang dapat dicapai oleh EfficientNetV2M ini adalah 97% dengan menggunakan ReLU Activation Function dan Optimizer Adamax.

Kata kunci: Deep Learning, EfficientNetV2M, tutupan lahan, hyperparameter, activation function.

Abstract

Land cover refers to the physical elements visible on the Earth's surface, including materials such as grass, asphalt, trees, bare soil, water, and other physical materials. Land use refers to how humans utilize land, both in urban and rural areas. Classification using deep learning is an accurate method and aims to help obtain information about land cover in an area. In this study, the EfficientNetV2M method was used which is the latest version of its predecessor, namely EfficientNet, which method is expected to be able to carry out operations for land cover satellite image classificationSome of the hyperparameters used to help EfficientNetV2M achieve optimal performance are the ReLU and GELU activation functions. The highest classification result that can be achieved by EfficientNetV2M is 97% by using ReLU Activation Function and Optimizer Adamax.

Keywords: Deep Learning, EfficientNetV2M, land cover, hyperparameter, activation function.

Teks Lengkap:

PDF

Referensi

Baldassi, C., Malatesta, E. M., & Zecchina, R. (2019). Properties of the Geometry of Solutions and Capacity of Multilayer Neural Network with Rectified Linear Unit Activations. Physical Review Letters 123, 170602.

Edha, H., Sitorus, S. H., & Ristian, U. (2020). Penerapan Metode Transformasi Ruang Warna Hue Saturation Intesity (HSI) Untuk Mendeteksi Kematangan Buah Mangga Harum Manis. Jurnal Komputer dan Aplikasi , 1-10.

Kusuma, B. A., Purwadi, & Marcos, H. (2021). Pelatihan Klasifikasi Tutupan Lahan Sebagai Teknologi Penginderaan Jarak Jauh untuk Pemantauan Lahan Pertanian Di Kabupaten Banyumas. Community Engagement & Emergence Journal, 28-35.

Lee, M. (2023). GELU Activation Function in Deep Learning: A Comprehensive Mathematical Analysis and Performance. arXiv preprint arXiv:2305, 12073.

Li, Y., Zhang, H., Xue, X., Jiang, Y., & Shen, Q. (2018). Deep learning for remote sensing image classification: A survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 8(6), e1264.

Nguyen, H., Kieu, L.-M., & Cai, C. (2018). Deep learning methods in transportation domain: a review. IET Intelligent Transport Systems.

Pratiwi, B. P., Handayani, A. S., & Sarjana. (2020). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi WSN Menggunakan Confusion Matrix. Jurnal Informatika Upgris.

Sampurno, R. M., & Thoriq, A. (2016). Klasifikasi Tutupan Lahan Menggunakan Citra Landsat 8 Operational Land Imager (OLI) Di Kabupaten Sumedang. Jurnal Teknotan Vol. 10 No. 2, November 2016, 62-71.

Saponara, S., & Elhanashi, A. (2021). Impact of Image Resizing on Deep Learning Detectors . International Conference on Applications in Electronics Pervading Industry, Environment and Society, 10-17.

Sari, Y., Baskara, A. R., Pratama, F., & Faidhorrahman, M. (2021). Penerapan Arsitektur VGG Untuk Klasifikasi Hutan. Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM), 6(2), 85-92.

Susan, S., & Kumar, A. (2021). The balancing trick: Optimized sampling of imbalanced datasetsâ€”A brief survey of the recent State of the Art. Engineering Reports, 3(4), e12298.

Tan, M., & Le, Q. (2021). EfficientNetV2: Smaller Models and Faster Training. International conference on machine learning, 10096-10106.

Triscowati, D. W., & Wijayanto, A. W. (2019). PELUANG DAN TANTANGAN DALAM PEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH DAN MACHINE LEARNINGUNTUK PREDIKSI DATA TANAMAN PANGAN YANG LEBIH AKURAT. Seminar Nasional Official Statistics, Vol. 2019, No. 1, pp. 177-187.

Utama, A. D. (2021). DETEKSI JENIS TUTUPAN DAN PENGGUNAAN LAHAN MENGGUNAKA CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR XCEPTION. ITENAS LIBRARY, 95.

Wibawa, M. S. (2017). P{Engaruh Fungsi Aktivasi, Optimisasi dan Jumlah Epoch Terhadap Performa Jaringan Saraf Tiruan. Jurnal Sistem dan Informatika (JSI), 167-174.

Xia, G.-S., Hu, J., Hu, F., Shi, B., Bai, X., Zhong, Y., & Zhang, L. (2017). AID: A Benchmark Dataset for Performance Evaluation of Aerial Scene Classification. IEEE Trans. on Geoscience and Remote Sensing.

DOI: https://doi.org/10.26760/mindjournal.v8i2.203-216