scholarly journals Kajian kemampuan metode neural network untuk klasifikasi penutup lahan dengan menggunakan Citra Landsat-8 OLI (kasus di Kota Yogyakarta dan sekitarnya)

2018 ◽  
Vol 16 (1) ◽  
Author(s):  
Melania Swetika Rini
Keyword(s):  
Neural Network ◽  
Input Parameter ◽  
Learning Rate ◽  
Landsat 8 ◽  
Parameter Learning ◽  
Multi Layer Perceptron ◽  
Landsat 8 Oli ◽  
Hidden Layer

Penelitian ini bertujuan: Mengkaji akurasi metode neural network untuk klasifikasi penutup lahan dengan menggunakan citra multispectral Landsat 8 dan pengaruh input parameter pada metode neural network terhadap hasil akurasi klasifikasi penutup lahan. Penelitian ini merupakan penelitian berbasis data penginderaan jauh yang mencakup analisis digital dan kerja lapangan. Analisis digital mencakup kegiatan menguji kemampuan metode neural network/Multi Layer Perceptron (MLP) dengan algoritma backpropagation untuk klasifikasi penutup lahan berbasis citra penginderaan jauh Landsat 8. Kerja lapangan dilakukan untuk mengambil sampel penelitian dan menguji hasil akurasi klasifikasi penutup lahan dengan metode jaringan syaraf. Uji akurasi menggunakan akurasi keseluruhan, akurasi produser, akurasi pemakai dan analisis kappa accuracy. Hasil penelitian menunjukan (1) nilai akurasi terbaik yang diperoleh pada metode MLP dengan 7 kelas penutup lahan yaitu overall accuracy 76,69%, kappa accuracy 0,722 serta waktu eksekusi 1,25 menit, dengan kombinasi parameter yaitu 1 hidden layer; 0,001 learning rate; 0,5 momentum factor; 0,001 RMS; dan 15000 iterasi; (2) Nilai parameter learning rate 0,001 memberikan pengaruh nilai overall accuracy yang rendah sedangkan nilai learning rate 0,01 memberikan nilai overall accuracy yang baik. Iterasi 15000 lebih optimal dibandingkan nilai iterasi 10000 dan 20000 dalam pengaruhnya terhadap nilai akurasi hasil klasifikasi penutup lahan.

scholarly journals Pengenalan Karakter Tulisan Menggunakan Metode Backpropagation Neural Network

2019 ◽  
Vol 1 (2) ◽  
pp. 14
Author(s):  
Ni’mah Moham ◽  
Felix Andika Dwiyanto ◽  
Herman Santoso Pakpahan ◽  
Islamiyah Islamiyah ◽  
Hario Jati Setyadi
Keyword(s):  
Neural Network ◽  
Mean Square Error ◽  
Learning Rate ◽  
Parameter Learning ◽  
Mean Square ◽  
Backpropagation Neural Network ◽  
Hidden Layer

Artikel ini bertujuan untuk menjelaskan langkah-langkah kerja metode Backpropagation Neural Network (BPNN) dalam mengenali pola Aksara Lontara Bugis Makassar dan menjelaskan seberapa akurat dalam mengenali pola aksara Lontara Bugis Makassar. Dari hasil pengujian, diperoleh tingkat akurasi sebesar 76.08%, dengan parameter learning rate sebesar 0,02, epoch maksimum sebesar 50 epoch dan hidden layer sebanyak 90 neuron berdasarkan ciri 8. Adapun, performa mean square error (MSE) sebesar 0.00424 telah diperoleh. Namun demikian, waktu yang dibutuhkan saat proses pembelajaran terbilang cukup lama yaitu 16 menit 56 detik. Berdasarkan hasil pengujian metode BPNN dapat direkomendasikan untuk mengenali pola aksara Lontara Bugis Makassar dalam rangka menunjang pembelajaran kepada masyarakat.

scholarly journals Enhanced Error Reduction of Signal Power Loss During Electromagnetic Propagation: Architectural Composition and Learning Rate Selection

2021 ◽  
pp. 450-456
Author(s):  
Virginia C. Ebhota ◽  
◽  
Viranjay M. Srivastava
Keyword(s):  
Neural Network ◽  
Power Loss ◽  
Single Layer ◽  
Signal Propagation ◽  
Learning Rate ◽  
Signal Power ◽  
Multi Layer Perceptron ◽  
Coefficient Of Correlation ◽  
Network Training ◽  
Hidden Layer

This research work analyses the effect of the architectural composition of Multi-Layer Perceptron (MLP) Artificial Neural Network (ANN) combined with the effect of the learning rate for effective prediction of signal power loss during electromagnetic signal propagation. A single hidden layer and two hidden layers of MLP ANN have been considered. Different configurations of the neural network architecture ranging from 4 to 100 for both MLP networks have been analyzed. The required hidden layer neurons for optimal training of a single layer multi-layer network were 40 neurons with 0.99670 coefficient of correlation and 1.28020 standard deviations, while [68 72] trained two hidden layers multi-layer perceptron with 0.98880 coefficient of correlation and standard deviation of 1.42820. Different learning rates were also adopted for the network training. The results further validate better MLP neural network training for signal power loss prediction using single-layer perceptron network compared to two hidden layers perceptron network with the coefficient of correlation of 0.99670 for single-layer network and 0.9888 for two hidden layers network. Furthermore, the learning rate of 0.003 shows the best training capability with lower mean squared error and higher training regression compared to other values of learning rate used for both single layer and two hidden layers perceptron MLP networks.

scholarly journals Analisis Pengenalan Bendera Negara Rumpun Melayu Menggunakan Metode Feed Forward Neural Network

2020 ◽  
Vol 10 (2) ◽  
pp. 144-152
Author(s):  
H Santoso ◽  
D Murdianto
Keyword(s):  
Neural Network ◽  
Artificial Intelligence ◽  
Learning Rate ◽  
Feed Forward Neural Network ◽  
Feed Forward ◽  
Brunei Darussalam ◽  
Hidden Layer

Telah dilakukan analisis pada sistem pengenalan gambar empat buah bendera negara rumpun melayu secara digital. Negara tersebut adalah Indonesia, Malaysia, Singapura, dan Brunei Darussalam. Tujuan dari penelitian ini adalah sebagai bentuk langkah awal dalam melatih sistem Artificial Intelligence (Kecerdasan Buatan) dalam membedakan empat buah negara rumpun melayu berdasarkan warna dan motif bendera pada sebuah peta digital. Proses analisis dan pelatihan pengenalan bendera tersebut menggunakan metode Feed Forward Neural Network (FFNN). Hasilnya menunjukkan bahwa penggunaan 4 buah Hidden Layer, serta penggunaan Learning Rate 0,5 memberikan kemampuan pengenalan citra bendera secara tepat dengan persentase akurasi rata-rata mencapai 74,15%.

scholarly journals Artificial Neural Network dalam Menentukan Grading Histopatologi Kanker Payudara

2017 ◽  
Vol 19 (2) ◽  
pp. 176
Author(s):  
Agoes Santika Hyperastuty
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Gray Level ◽  
Artificial Neural ◽  
Hidden Layer

Abstrak Kanker payudara adalah jenis tumor ganas utama yang diamati pada wanita dan pengobatan yang efektif tergantung pada diagnosis awalnya. Standar emas pemeriksaan kanker payudara adalah pemeriksaan histopatologis sel kanker. Penentuan kadar pada kanker payudara ditentukan oleh tiga faktor: pleomorfik, pembentukan tubular dan mitosis sel. Dalam tulisan ini mengacu pada formasi pleumorfic dan tubular oleh gambar histopatologi sel payudara. Sistem yang diusulkan terdiri dari empat langkah utama: preprocessing, segmentation, ekstrasi fitur dan identifikasi. Pada proses segmentasi  menggunakan metode K-Means Clustering yaitu mengelompokkan data menurut kesamaan warna dan bentuk. Hasil dari K-Means tersebut berupa matrik.  Ekstraksi fitur menggunakan Gray level Cooccurence Matrix (GLCM) yaitu  tingkat keabuan masing-masing citra yang dilihat dari  4 fiturnya adalah kontras, energi, entropi dan homogenitas. Langkah terakhir adalah identifikasi menggunakan Backpropagation. Beberapa parameter penting akan divariasikan dalam proses ini seperti learning rate dan jumlah node pada hidden layer. Hasil penelitian menunjukkan bahwa fitur ekstraksi dalam 4 fitur adalah akurasi terbaik berdasarkan kelas 81,1% dan khususnya ketepatannya adalah 80%.Kata kunci—Histopatologic breast cancer, kmeans, GLCM, Backpropagation

scholarly journals Analisis Sentimen Twitter untuk Menilai Opini Terhadap Perusahaan Publik Menggunakan Algoritma Deep Neural Network

2021 ◽  
Vol 7 (2) ◽  
pp. 108-118
Author(s):  
Erwin Yudi Hidayat ◽  
Raindy Wicaksana Hardiansyah ◽  
Affandy Affandy
Keyword(s):  
Neural Network ◽  
Deep Neural Network ◽  
Application Programming Interface ◽  
Learning Rate ◽  
Application Programming ◽  
Hidden Layer ◽  
Programming Interface

Dalam menaikkan kinerja serta mengevaluasi kualitas, perusahaan publik membutuhkan feedback dari masyarakat / konsumen yang bisa didapat melalui media sosial. Sebagai pengguna media sosial Twitter terbesar ketiga di dunia, tweet yang beredar di Indonesia memiliki potensi meningkatkan reputasi dan citra perusahaan. Dengan memanfaatkan algoritma Deep Neural Network (DNN), neural network yang tersusun dari layer yang jumlahnya lebih dari satu, didapati hasil analisa sentimen pada Twitter berbahasa Indonesia menjadi lebih baik dibanding dengan metode lainnya. Penelitian ini menganalisa sentimen melalui tweet dari masyarakat Indonesia terhadap sejumlah perusahaan publik dengan menggunakan DNN. Data Tweet sebanyak 5504 record didapat dengan melakukan crawling melalui Application Programming Interface (API) Twitter yang selanjutnya dilakukan preprocessing (cleansing, case folding, formalisasi, stemming, dan tokenisasi). Proses labeling dilakukan untuk 3902 record dengan memanfaatkan aplikasi Sentiment Strength Detection. Tahap pelatihan model dilakukan menggunakan algoritma DNN dengan variasi jumlah hidden layer, susunan node, dan nilai learning rate. Eksperimen dengan proporsi data training dan testing sebesar 90:10 memberikan hasil performa terbaik. Model tersusun dengan 3 hidden layer dengan susunan node tiap layer pada model tersebut yaitu 128, 256, 128 node dan menggunakan learning rate sebesar 0.005, model mampu menghasilkan nilai akurasi mencapai 88.72%. 

scholarly journals Landsat 8 OLI Satellite Image Classification using Convolutional Neural Network

2020 ◽  
Vol 167 ◽  
pp. 987-993 ◽  
Author(s):  
Amit Kumar Rai ◽  
Nirupama Mandal ◽  
Akansha Singh ◽  
Krishna Kant Singh
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Image Classification ◽  
Satellite Image ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Satellite Image Classification

scholarly journals Genetic Algorithm – Back Propagation (GA-BP) Neural Network for Chlorophyll-a Concentration Inversion Using Landsat 8 OLI Data

2020 ◽  
Vol 143 ◽  
pp. 02002
Author(s):  
Qi Chen ◽  
Mutao Huang ◽  
Ronghui Wang
Keyword(s):  
Neural Network ◽  
Genetic Algorithm ◽  
Network Model ◽  
Neural Network Model ◽  
Bp Neural Network ◽  
Back Propagation ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Chl A ◽  
Bp Neural Network Model

Chlorophyll-a (Chl-a) accurate inversion in inland water is important for water environmental protection. In this study, we tested the Genetic Algorithm optimized Back Propagation (GA-BP) neural network model to precisely simulated the Chl-a in an inland lake using Landsat 8 OLI images. The result show that the R2 of GA-BP neural network model has increased 28.17% compared to traditional BP neural network model. Then this GA-BP model was applied to another two scenes of Landsat 8 OLI image with the R2 of 0.961, 0.954 respectively for March 26 2018, October 26 2018. And the spatial distribution have shown a reasonable result of Chl-a variation in Lake Donghu. This study can provide a new method for Chla concentration inversion in urban lakes and support water environment protection on a large scale.

Sign in / Sign up

Export Citation Format

Share Document