%A Adi Sriatna	 Diah 
%T KINERJA ALEXNET UNTUK IDENTIFIKASI SKALA KERAPATAN
DAN TRANSPARANSI TAJUK DALAM METODE FOREST HEALTH

MONITORING (FHM) JENIS DAUN JARUM
%X Penggunaan teknologi citra digital dengan Convolutional Neural Network (CNN)
yaitu arsitektur AlexNet dapat mengidentifikasi skala kerapatan dan transparansi
tajuk pohon jenis daun jarum dalam metode Forest Health Monitoring (FHM).
Karena selama ini pengukuran skala kerapatan dan transparasi tajuk pohon jenis
daun jarum dalam metode FHM dilaksanakan secara manual menggunakan magic
card. Tujuan dari penelitian ini adalah mengukur kinerja AlexNet untuk
mengidentifikasi skala kerapatan dan transparansi tajuk pohon jenis daun jarum
dalam metode FHM. Jenis-jenis pohon daun jarum yang digunakan sebagai dataset,
yaitu: Araucaria heterophylla, Cupressus retusa, Pinus merkusii, dan Shorea
javanica. Metode penelitian ini antara lain: pengumpulan dataset citra tajuk pohon
jenis daun jarum, preprocessing, pembagian dataset, pelatihan model AlexNet dan
evaluasi model AlexNet. Dataset yang digunakan berjumlah 1000 citra untuk setiap
jenis pohon, dengan masing-masing jenis pohon terbagi ke dalam 10 kelas. Hasil
penelitian ini menunjukkan bahwa akurasi dengan model AlexNet menggunakan
komputer tesla k80 tajuk pohon jenis daun jarum Araucaria heterophylla sebesar
87.00%, Cupressus retusa sebesar 96.00%, Pinus merkusii sebesar 86.00% dan
Shorea javanica sebesar 95.00%. Model AlexNet memiliki kemampuan yang baik
dalam mengklasifikasikan citra, meskipun ada beberapa kesalahan dalam
mengklasifikasikan citra yang memiliki pola dan posisi yang hampir serupa.

Kata kunci: AlexNet, convolutional neural network, daun jarum, tajuk

The use of digital image technology with a Convolutional Neural Network (CNN),
namely the AlexNet architecture, can identify the scale of density and transparency
of coniferous tree crown in the Forest Health Monitoring (FHM) method. So far,
measurements of the density scale and canopy transparency of needle-leaf trees in
the FHM method have been carried out manually using magic cards. The aim of
this research is to measure the performance of AlexNet to identify the scale of
density and transparency of coniferous tree crown in the FHM method. The types
of needle leaf tree crowns used as datasets are Araucaria heterophylla, Cupressus
retusa, Pinus merkusii, and Shorea javanica. This research method includes:
collecting a dataset of coniferous tree crown images; preprocessing; dividing the
dataset; training the AlexNet model; and evaluating the AlexNet model. The dataset
used consists of 1000 images for each tree type, with each tree type divided into 10
classes. The results of this research show that the accuracy of the AlexNet model
using a Tesla K80 computer is 87.00% for the crown of the needle-leaf tree
Araucaria heterophylla, 96.00% for Cupressus retusa, 86.00% for Pinus merkusii,
and 95.00% for Shorea javanica. The AlexNet model has good abilities in
classifying images, although there are several errors in classifying images that have
almost similar patterns and positions.

Kata kunci: AlexNet, convolutional neural network, crown, needle leave
%C UNIVERSITAS LAMPUNG
%D 2024
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints87412