PERBANDINGAN ALGORITMA GRAPH NEURAL NETWORK DAN RANDOM FORESTS WITH SPARSE RANDOM PROJECTION UNTUK DETEKSI TINGKAT KESEHATAN MANGROVE DENGAN EKSTRAKSI FITUR GREEN CHOLOROPHYLL INDEX

LAMIRAN, FARHAN (2024) PERBANDINGAN ALGORITMA GRAPH NEURAL NETWORK DAN RANDOM FORESTS WITH SPARSE RANDOM PROJECTION UNTUK DETEKSI TINGKAT KESEHATAN MANGROVE DENGAN EKSTRAKSI FITUR GREEN CHOLOROPHYLL INDEX. S1 thesis, Universitas Mercu Buana Jakarta.

	Text (HAL COVER) 01 Cover.pdf Download (2MB)
	Text (ABSTRAK) 02 Abstrak.pdf Download (207kB)
	Text (BAB I) 03 Bab 1.pdf Restricted to Registered users only Download (240kB)
	Text (BAB II) 04 Bab 2.pdf Restricted to Registered users only Download (785kB)
	Text (BAB III) 05 Bab 3.pdf Restricted to Registered users only Download (353kB)
	Text (BAB IV) 06 Bab 4.pdf Restricted to Registered users only Download (674kB)
	Text (BAB V) 07 Bab 5.pdf Restricted to Registered users only Download (154kB)
	Text (DAFTAR PUSTAKA) 08 Daftar Pustaka.pdf Restricted to Registered users only Download (201kB)
	Text (LAMPIRAN) 09 Lampiran.pdf Restricted to Registered users only Download (1MB)

Abstract

Penelitian ini fokus membandingkan algoritma Random Forest With Sparse Random Projection dan Graph neural network untuk mendeteksi tingkat kesehatan mangrove melalui ekstraksi fitur Green Chlorophyl Index (GCI), dengan GCI sebagai parameter representatif. Dengan 59,070,371 Array Data sebagai sampel, teknik pengambilan sampel menggunakan Stratified Sampling dalam konteks remote sensing. Klasifikasi data dilakukan menggunakan Random Forest dan Graph Neural Network, algoritma machine learning yang terbukti efektif dalam klasifikasi. Hasil eksperimen menunjukkan kinerja Random Forest yang sangat baik pada rasio data train dan test 75:25 dengan akurasi mencapai 86%, meskipun mengalami penurunan pada eksperimen kedua (80:20) menjadi 72%. Eksperimen ketiga (65:35) menunjukkan peningkatan akurasi menjadi 76%. Evaluasi model RF-SRP menunjukkan konsistensi kinerja yang baik, walaupun mengalami penurunan pada eksperimen kedua. Graph Neural Network (GNN) juga memberikan hasil memuaskan, dengan akurasi 85% pada eksperimen pertama (75:25) dan 80% pada eksperimen kedua (80:20). Meskipun terdapat penurunan pada eksperimen ketiga (65:35) menjadi 76%, evaluasi model GNN tetap menunjukkan konsistensi kinerja yang baik. Perbandingan antara kedua algoritma menunjukkan kelebihan dan kekurangan masing-masing, dengan saran optimalisasi parameter, analisis lebih lanjut terhadap penurunan kinerja, dan penelitian lanjutan dengan teknik-teknik canggih. Kesimpulan interpretatif menekankan efektivitas Random Forest sebagai alat pemantau tingkat kesehatan mangrove dengan GCI, dan rekomendasi pengembangan lebih lanjut mencakup optimalisasi rasio data serta analisis mendalam terhadap faktor-faktor lingkungan yang memengaruhi kesehatan mangrove. Keywords : Remote Sensing, Random Forest, GCI, Mangrove Penelitian ini fokus membandingkan algoritma Random Forest With Sparse Random Projection dan Graph neural network untuk mendeteksi tingkat kesehatan mangrove melalui ekstraksi fitur Green Chlorophyl Index (GCI), dengan GCI sebagai parameter representatif. Dengan 59,070,371 Array Data sebagai sampel, teknik pengambilan sampel menggunakan Stratified Sampling dalam konteks remote sensing. Klasifikasi data dilakukan menggunakan Random Forest dan Graph Neural Network, algoritma machine learning yang terbukti efektif dalam klasifikasi. Hasil eksperimen menunjukkan kinerja Random Forest yang sangat baik pada rasio data train dan test 75:25 dengan akurasi mencapai 86%, meskipun mengalami penurunan pada eksperimen kedua (80:20) menjadi 72%. Eksperimen ketiga (65:35) menunjukkan peningkatan akurasi menjadi 76%. Evaluasi model RF-SRP menunjukkan konsistensi kinerja yang baik, walaupun mengalami penurunan pada eksperimen kedua. Graph Neural Network (GNN) juga memberikan hasil memuaskan, dengan akurasi 85% pada eksperimen pertama (75:25) dan 80% pada eksperimen kedua (80:20). Meskipun terdapat penurunan pada eksperimen ketiga (65:35) menjadi 76%, evaluasi model GNN tetap menunjukkan konsistensi kinerja yang baik. Perbandingan antara kedua algoritma menunjukkan kelebihan dan kekurangan masing-masing, dengan saran optimalisasi parameter, analisis lebih lanjut terhadap penurunan kinerja, dan penelitian lanjutan dengan teknik-teknik canggih. Kesimpulan interpretatif menekankan efektivitas Random Forest sebagai alat pemantau tingkat kesehatan mangrove dengan GCI, dan rekomendasi pengembangan lebih lanjut mencakup optimalisasi rasio data serta analisis mendalam terhadap faktor-faktor lingkungan yang memengaruhi kesehatan mangrove. Kata Kunci : Remote Sensing, Random Forest, GCI, Mangrove

Actions (login required)

View Item