Klasifikasi Tahap Tumbuh Padi Menggunakan Deep Learning (CNN, GAN)

1.Abstract

Penentuan fase pertumbuhan padi sangat berguna untuk memprediksi hasil panen
tanaman padi. Saat ini perhitungan produksi padi masih dilakukan dengan menggunakan
metode konvensional, yakni dengan cara melakukan pengukuran langsung ke lapangan yang
hasilnya masih bersifat subjektif, membutuhkan biaya yang mahal, dan menghabiskan banyak
waktu. Salah satu upaya yang dapat dilakukan untuk mengatasi masalah ini adalah dengan
memanfaatkan kemajuan teknologi penginderaan jarak jauh (remote sensing) menggunakan
data citra satelit. Pada penelitian ini, data citra satelit yang digunakan adalah citra LANDSAT-
8 pada daerah Karawang, Jawa Barat. Penelitian ini mengusulkan pengembangan sebuah
sistem klasifikasi fase pertumbuhan padi di Indonesia. Metode yang diusulkan adalah
pendekatan unsupervised yakni Generative Adversarial Networks. Generative Adversarial
Networks (GAN) adalah salah satu metode Deep Learning dengan pendekatan unsupervised
learning, dimana GAN me-generate data yang serupa dengan data sample berdasarkan
probabilitas joint distribusi dari data sample. Diharapkan dengan pendekatan ini dapat
memberikan hasil yang lebih baik untuk pengenalan fase pertumbuhan padi.

2.Keywords
Tahap Tumbuh Padi, Deep Learning, CNN, GAN
3.Objective

Mendapatkan hasil akurasi klasifikasi yang lebih baik menggunakan Deep Learning (CNN, GAN) untuk studi kasus Tahap Tumbuh Padi

4.Methodology

CNN (Convolutional Neural Network) merupakan salah satu metode dalam Deep Learning yang fokus pada data berupa citra/gambar. metode ini diajukan untuk mendapatkan hasil akurasi yang lebih baik dibandingkan dengan penelitian rujukan sebelumnya dengan menambahkan informasi ketetanggaan pixel pada dataset penelitian. sedangkan GAN (Generative Adversarial Network), merupakan metode Deep Learning yang state of the art saat ini, dimana metode ini memungkinkan untuk me-generate data yang mirip dengan dataset asli, dengan mempelajari distribusi dari dataset tersebut.

5.Team

Fahad Husen (Student)
Prof. Dr. Ir. Aniati Murni Arymurthy, M.Sc (Supervisor I)
Dr. Eng. M. Ivan Fanany, S.Si, M.Kom (Supervisor II)

6.Computation plan (required processor core hours, data storage, software, etc)

software : python (tensorflow, keras, python package (numpy, scipy, sklearn, etc))
data storage : 100GB
RAM : > 32GB
GPU : perlu GPU untuk running tensorflow

7.Source of funding
Mandiri
8.Target/outputs
ICACSIS
9.Date of usage
28/04/2017 - 31/07/2017
10.Gpu usage
use gpu
11.Supporting files
prop_1493171140.pdf
12.Created at
26/04/2017
13.Approval status
approved