IDENTIFIKASI LAHAN PERTANIAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CITRA GOOGLE EARTH

Penelitian Sebelumnya : Metode Convolutional Neural Network pada Gambar Google Earth Hutan Bambu di Jepang dengan .

Shuntaro Watanabe, Kazuaki Sumi, Takeshi Ise

link sebagai berikut : https://doi.org/10.1101/351643

Note

Penelitian ini mengambil konsep dari peneliti asal Jepang yang mengidentifikasikan vegatasi akurasi tinggi lahan hutan bamboo di beberapa wilayah Jepang, dengan klasisfikasi CNN, dan dilakukan dengan metode chopped-image.

Sedangkan pada penelitian ini memiliki konsep yang serupa dengan penelitian sebelumnya, akan tetapi mengambil sampel yang dilakukan lahan persawahan di Kabupaten Banyumas.

Peneliti : Fendy Prayogi

Repositori tersedia pada : https://github.com/Soedirman-Machine-Learning/Identification_paddy_field/

Program ini dibuat untuk mengidentifikasi lahan sawah dan luas di Ketiga Pulau, Yaitu Jawa, Kalimantan, dan Sumatra

File tersimpan dalam folder :

1. /chopped
2. /train
3. /test

Membuat "patches" dari setiap gambar menggunakan metode sliding window

Apa itu Sliding Window ?

Sliding window adalah window yang bergeser untuk memprediksi dan mencari area objek yang benar. Suatu proses deteksi objek memerlukan teknik lokalisasi untuk menemukan area objek.

Dataset Pelatihan dari 3 Pulau Berbeda

Terdapat 3 dataset yang digunakan dalam Model Performa Klasifikasi akurasi, Recall Rate dan Presisi. Data pelatihan yang telah dichop sehingga menghasilkan gambar baru, lalu kita klasifikasikan hasilnya dengan empat kategori berupa : true positive (TP), false positive (FP), false negative (FN), dan true negative (TN). Dengan ketentuan prediksi benar atau salah dan gambar sawah atau bukan sawah. Pada Gambar Sawah dilabeli dengan nama huruf "b" dan ada gambar bukan sawah dilabeli dengan nama huruf "o".