DASOPANG, ALRAMADAN and Ritha, Nola and Hayaty, Nurul (2024) IDENTIFIKASI JENIS MANGROVE DENGAN MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) (Studi Kasus Pulau Bintan). S1 thesis, Universitas Maritim Raja Ali Haji.
![]() |
Text (Cover)
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Cover.pdf - Published Version Download (645kB) |
![]() |
Text (Abstark)
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Abstark.pdf - Published Version Download (334kB) |
![]() |
Text (Bab I)
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Bab I.pdf - Published Version Download (385kB) |
![]() |
Text (Daftar Pustaka)
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Daftar Pustaka.pdf - Published Version Download (294kB) |
![]() |
Text (Full Teks)
ALRAMADAN OLOANSYAH DASOPANG_2001020051_Teknik Informatika_Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy |
Abstract
Indonesia memiliki potensi kelautan yang signifikan dengan luas laut mencapai dua pertiga dari total wilayahnya, sekitar 5,8 juta km². Dengan lebih dari 17.000 pulau dan garis pantai sepanjang 81.000 km, Indonesia menyimpan kekayaan alam yang melimpah. Penelitian ini berjudul "Identifikasi Jenis Mangrove di Pulau Bintan dengan Menggunakan Metode Radial Basis Function Neural Network (RBFNN)" bertujuan untuk mengimplementasikan metode RBFNN dalam mengidentifikasi jenis mangrove di Pulau Bintan dengan menggunakan fitur bentuk dan tekstur GLCM. RBFNN terdiri dari tiga lapisan: input, hidden, dan output. Neuron pada lapisan input sesuai dengan komponen vektor input, sedangkan lapisan tersembunyi melakukan transformasi non-linear menggunakan fungsi aktivasi non-linear. Dengan 340 neuron pada lapisan tersembunyi, model menunjukkan performa unggul dibandingkan dengan 140 dan 240 neuron. Hasil penelitian menunjukkan bahwa model RBFNN mencapai akurasi 100.00% confusion matrix dengan akurasi, presisi, recall, dan F1-score masing-masing 1.00, yang menandakan bahwa model ini sangat efektif dalam mengklasifikasikan jenis-jenis mangrove yang diuji.
Item Type: | Thesis (S1) | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
Contributors: |
|
|||||||||
Subjects: | 000_umum > 000. Ilmu Umum dan Komputer > 005.1.Pemrograman 000_umum > 000. Ilmu Umum dan Komputer > 006.3 Artificial Intelligence/Kecerdasan Buatan |
|||||||||
Divisions: | Fakultas Teknik > Program Studi Teknik Informatika | |||||||||
Depositing User: | user Teknik Informatika | |||||||||
Date Deposited: | 31 Jul 2024 06:56 | |||||||||
Last Modified: | 31 Jul 2024 06:56 | |||||||||
URI: | http://repositori.umrah.ac.id/id/eprint/7812 |
Actions (login required)
![]() |
View Item |