ABSTRAKParasit plasmodium merupakan makhluk protozoa bersel satu yang menjadi penyebab penyakit malaria. Plasmodium ini dibawa melalui gigitan nyamuk anopheles betina. Dalam World Malaria Report 2015 menyatakan bahwa malaria telah menyerang sedikit 106 negara di dunia. Di Indonesia sendiri, Papua, NTT dan Maluku merupakan wilayah dengan kasus positif malaria tertinggi. Malaria telah menjadi masalah yang serius, sehingga keberadaan sistem diagnosa otomatis yang cepat dan handal sangat diperlukan untuk proses perlambatan penyeberan dan pembasmian epidemi. Dalam penelitian ini akan dirancang sistem yang mampu mendeteksi parasit malaria pada citra mikroskopis darah menggunakan arsitekur Convolutional Neural Network (CNN) sederhana. Hasil pengujian menunjukkan bahwa metode yang diusulkan memberikan presisi dan recall sebesar 0,98 dan f1-score sebesar 0,96 serta akurasi 95,83%.Kata kunci: parasit, malaria, convolutional neural network, citra mikroskopis ABSTRACTPlasmodium parasites are single-celled protozoan creatures that cause malaria. Plasmodium is carried through the bite of a female Anopheles mosquito. The World Malaria Report 2015 states that malaria has attacked at least 106 countries in the world. In Indonesia itself, Papua, NTT and Maluku are the regions with the highest positive cases of malaria. Malaria has become a serious problem, so the existence of a fast and reliable automatic diagnosis system is indispensable for the process of slowing down the spread and eliminating the epidemic. In this study, a system capable of detecting malaria parasites in microscopic images of blood will be designed using a simple Convolutional Neural Network (CNN) architecture. The test results show that the proposed method provides precision and recall of 0,98, f1-values of 0.96 and accuracy of 95,83%.Keywords: parasites, malaria, convolutional neural network, microscopic image

Land cover data is important information to describe how much of a region is covered by plantation, forest, residential, rice field and river. In many applications the required information relates to the coverage of land cover class in a region, which is generally derived from a count of the pixels allocated to the class of interest in a classification. The design of the system in this study conducted for detecting land cover using Grey Level Co Occurrence (GLCM) method is used as the extraction in process of taking main image and Naive Bayes as a classification of grouping the images based on the types of land cover. Based on the testing data which is consist of 150 images we obtained the best accuracy is 85% with 206.6715 seconds computation time.

This study has developed a CNN model applied to classify the eight classes of land cover through satellite images. Early detection of deforestation has become one of the study’s objectives. Deforestation is the process of reducing natural forests for logging or converting forest land to non-forest land. The study considered two training models, a simple four hidden layer CNN compare with Alexnet architecture. The training variables such as input size, epoch, batch size, and learning rate were also investigated in this research. The Alexnet architecture produces validation accuracy over 100 epochs of 90.23% with a loss of 0.56. The best performance of the validation process with four hidden layers CNN got 95.2% accuracy and a loss of 0.17. This performance is achieved when the four hidden layer model is designed with an input size of 64 × 64, epoch 100, batch size 32, and learning rate of 0.001. It is expected that this land cover identification system can assist relevant authorities in the early detection of deforestation.

No abstract

Lahan merupakan suatu wilayah dimana seluruh bagian biosfer dianggap tetap atau siklis yang terdapat di atas maupun di bawah permukaan bumi. Klasifikasi lahan dilakukan dengan tujuan untuk memudahkan pemantauan penggunaan serta pengaturan tata letak lahan pada suatu wilayah. Pada penelitian ini dilakukan klasifikasi terhadap citra lahan yang diperoleh dari satelit SPOT-6 dengan menggunakan Metode Convolutional Neural Network (CNN). Jenis lahan yang dilakukan klasifikasi berupa sawah, hutan, pemukiman, sungai dan bukit gundul dengan jumlah data yang digunakan adalah 350 data citra lahan. Dari total data, sebanyak 75% data digunakan sebagai data latih dan 25% digunakan sebagai data uji. Model CNN yang digunakan pada penelitian ini yaitu basic CNN dengan arsitektur yang terdiri dari 3 hidden convolutional layer, 1 fully connected layer dan 2 stride. Hasil performansi sistem yang diperoleh pada penelitian ini diantaranya adalah akurasi 95,45%, loss 0,2457, serta rata-rata dari masing-masing nilai precision, recall dan f1-score sebesar 0,92. Dapat disimpulkan bahwa metode CNN dapat digunakan secara optimal dalam mengklasifikasikan 5 jenis tutupan lahan.