@misc{eprints87237,
           month = {Mei},
           title = {KINERJA MOBILENET UNTUK KLASIFIKASI NILAI KERAPATAN
DAN TRANSPARANSI TAJUK DALAM METODE FOREST HEALTH
MONITORING (FHM) PADA TAJUK POHON JENIS DAUN LEBAR},
          author = {Sofiyana	 	Fanirizki },
         address = {UNIVERSITAS LAMPUNG},
       publisher = {FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM },
            year = {2024},
             url = {http://digilib.unila.ac.id/87237/},
        abstract = {Kesehatan hutan merupakan keadaan hutan yang mampu menjalankan keseluruhan
fungsinya. Pemantauan kesehatan hutan dengan Forest Health Monitoring (FHM)
menilai beberapa parameter salah satunya kerapatan dan transparansi tajuk.
Pengukuran kerapatan dan transparansi tajuk saat ini menggunakan kartu magic
card. Penggunaan deep learning untuk mengklasifikasikan nilai kerapatan dan
transparansi tajuk pohon memiliki potensi untuk mempermudah dan meningkatkan
efektivitas kerja. Penelitian ini bertujuan untuk mengukur kinerja MobileNet dalam
mengklasifikasi nilai kerapatan dan transparansi tajuk pohon jenis daun lebar dalam
metode Forest Health Monitoring (FHM). Dataset yang terdiri dari 2.965 gambar
dari empat jenis pohon daun lebar (pohon cokelat, pohon durian, pohon karet, dan
pohon kemiri) dikumpulkan dan dibagi menjadi 10 kelas. Kelas tersebut diperoleh
dari kartu nilai kerapatan dan transparansi tajuk (magic card). Metode yang
digunakan pada penelitian ini, yaitu arsitektur MobileNet dengan tuning
hyperparameter seperti epoch dengan fungsi callback early stopping, batch size,
learning rate, dan optimizer. Hasil akurasi pada proses pengujian model klasifikasi
nilai kerapatan dan transparansi tajuk pohon cokelat sebesar 61,36\%; pohon durian
sebesar 90,96\%; pohon karet sebesar 65,87\%; dan pada pohon kemiri sebesar
80,95\%. Model MobileNet klasifikasi nilai kerapatan dan transparansi tajuk pohon
jenis daun lebar mengalami overfitting. Overfitting ditunjukkan dengan perbedaan
yang signifikan antara hasil akurasi pada proses pelatihan dan pengujian. Hasil
kinerja model yang mengalami overfitting tersebut menunjukkan bahwa model
MobileNet tidak dapat diimplementasikan secara langsung untuk mengklasifikasi
nilai kerapatan dan transparansi tajuk pohon dalam metode Forest Health
Monitoring (FHM) untuk pohon jenis daun lebar.
Kata kunci: deep learning, forest health monitoring, nilai kerapatan dan
transparansi tajuk, mobilenet
Forest health is a condition of the forest that can carry out all its functions. Forest
Health Monitoring (FHM) assesses several parameters, one of which is crown
density (CD) and foliage transparency (FT). Measurement of crown density and
foliage transparency currently uses magic cards. The use of deep learning to classify
tree CD and FT values has the potential to simplify and increase work effectiveness.
This research aims to measure the performance of MobileNet in classifying the CD
and FT values of broadleaf trees using the FHM method. Dataset consisting of 2,965
images from four types of broadleaf trees (Theobroma cacao, Durio zibethinus,
Hevea brasiliensis, and Aleurites moluccana) was collected and divided into 10
classes. This class is obtained from the magic cards of CD-FT. The method used in
this research is the MobileNet architecture with hyperparameter tuning such as
epoch with early stopping callback function, batch size, learning rate, and
optimizer. The accuracy results in the testing process for classification model of
crown density and foliage transparency value of Theobroma cacao by 61.36\%;
Durio zibethinus by 90.96\%; Hevea brasiliensis by 65.87\%; and Aleurites
moluccana by 80.95\%. The MobileNet model for classifying broad leaf trees' CD
and FT values experiences overfitting. Overfitting is indicated by a significant
difference between accuracy results in the training and testing processes. The
performance results of the overfitting model indicate that the MobileNet model
cannot be implemented directly to classify crown density and foliage transparency
values in the FHM method for broadleaf trees.
Keyword: deep learning, forest health monitoring, crown density and foliage
transparency, mobilenet}
}