[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-125929-id":3,"doc-seo-125929-113":31,"detail-sidebar-cat-0-id-113":93},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},125929,2336474459895,"Aria","https://ap-avatar.wpscdn.com/avatar/22000baeef7a5ed0655?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786071322749376916",54,"Penelitian & Laporan","KLASIFIKASI TUTUPAN LAHAN UAV MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK FEATURE MAP DENGAN KOMBINASI MACHINE LEARNING","Analisis geografis menempatkan tutupan lahan sebagai fondasi penting untuk kajian lingkungan, perencanaan berkelanjutan, serta studi geofisik. Standar Nasional Indonesia (SNI 7645:2014) memandu klasifikasi vegetasi berdasarkan kerapatan, dengan empat kategori indeks: non-vegetasi, gundul, sedang, dan tinggi. Penelitian ini memanfaatkan data UAV untuk mengklasifikasikan tutupan lahan berdasarkan informasi kerapatan vegetasi, dengan CNN terlatih (ResNet-50, Inception-V3, DenseNet-121) serta pemodelan klasifikasi Random Forest, SVM, dan XGBoost, menghasilkan performa terbaik SVM (akurasi 85%).","KLASIFIKASI TUTUPAN LAHAN UAV MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK FEATURE MAP DENGAN  \nKOMBINASI MACHINE LEARNING  \nErika Maulidiya1), Chastine Fatichah2), Nanik Suciati3) dan Fajar Baskoro4)  \n1, 2, 3, 4) Departemen Teknik Informatika, Institut Teknologi Sepuluh Nopember, Indonesia  \nJl. Teknik Kimia, Keputih, Kec. Sukolilo, Surabaya, Jawa Timur 60111  \ne-mail: [erikamaulidiya18@gmail.com](erikamaulidiya18@gmail.com1)[1](erikamaulidiya18@gmail.com1)), [chastine@if.its.ac.id](chastine@if.its.ac.id2)[2](chastine@if.its.ac.id2)), [nanik@if.its.ac.id](nanik@if.its.ac.id3)[3](nanik@if.its.ac.id3)) , [fajar@if.its.ac.id](fajar@if.its.ac.id4)[4](fajar@if.its.ac.id4))  \nABSTRAK  \nDalam analisis geografis, tutupan lahan memainkan peran penting dalam segala hal mulai dari analisis lingkungan hinggametode perencanaan berkelanjutan dan studi geografifisik. StandarNasional Indonesia (SNI 7645:2014) mengklasifikasikan analisis vegetasi berdasarkan kerapatan. Ada empat kategori indeks kerapatan vegetasi: non-vegetasi, gundul, sedang, dan tinggi. Secara teknis, data vegetasi dapat diperoleh melalui penginderaanjauh. Data satelit dan UAV adalah dua jenis data yang digunakan dalam penginderaan jauh untuk mengumpulkan informasi kerapatan vegetasi. Penelitian ini akan menganalisis tutupan lahan didasarkan pada informasi kerapatan vegetasi menggunakan data UAV. Berdasarkan informasikerapatan vegetasi dari penginderaanjauh yang informasinya dapat membantu dalam pengolahan lahan, maka dilakukan Klasifikasi Tutupan Lahan berdasarkan kerapatan vegetasi. Convolutional Neural Network (CNN) telah dilatih secara ekstensif untuk menerapkan propertinya pada klasifikasi tutupan lahan. Penelitian ini akan mengevaluasi fitur-fitur yang diekstrak dari CNN (ResNet-50, Inception-V3, DenseNet-121) yang sebelumnya telah dilatih dan dilanjutkan dengan algoritmapohon keputusan, Random Forest, Support Vector Machine dan eXtreme Gradient Boosting sebagai metode klasifikasi. Dari hasil perbandingan pengujian klasifikasi antar metode machine learning, Support Vector Machine lebih unggul dibandingkan metode machine learning lainnya. Hal ini dibuktikan dengan hasil akurasi yang diperoleh sebesar 85% dengan ekstraksi fitur menggunakan ResNet-50 yang mana lama waktu proses adalah 8 menit. Disusul model terbaik kedua yaitu ResNet-50 dengan XGBoost yang memperoleh hasil akurasi yang sebesar 82% dengan lama waktuproses adalah 55 menit. Sedangkan penggunaan ekstraksifitur dengan metode DenseNet-121, didapatkan dengan kombinasi metode Support Vector Machine dan Metode XGBoost dengan hasil akurasi yang diperoleh adalah 81%.  \nKata Kunci: Arsitektur CNN, Ekstraksi Fitur, Klasifikasi, Kerapatan Vegetasi, Tutupan Lahan,  \nUAV LAND COVER CLASSIFICATION USING CONVOLUTIONAL  \nNEURAL NETWORK FEATURE MAP WITH A COMBINATION OF MACHINE LEARNING Erika Maulidiya1), Chastine Fatichah2), Nanik Suciati3) and Fajar Baskoro4)  \n1, 2, 3, 4) Department of Informatics, Institut Teknologi Sepuluh Nopember, Indonesia  \nTeknik Kimia, Keputih, Kec. Sukolilo, Surabaya, Jawa Timur 60111  \ne-mail: [erikamaulidiya18@gmail.com](erikamaulidiya18@gmail.com1)[1](erikamaulidiya18@gmail.com1)), [chastine@if.its.ac.id](chastine@if.its.ac.id2)[2](chastine@if.its.ac.id2)), [nanik@if.its.ac.id](nanik@if.its.ac.id3)[3](nanik@if.its.ac.id3)) , [fajar@if.its.ac.id](fajar@if.its.ac.id4)[4](fajar@if.its.ac.id4))  \nABSTRACT  \nIn geographic analysis, land cover plays an important role in everything from environmental analysis to sustainable planning methods and physical geography studies. The Indonesian National Standard (SNI 7645:2014) classifies vegetation analysis based on density. There are four categories of vegetation density index: non-vegetation, bare, medium, and high. Technically, vegetation data can be obtained through remote sensing. Satellite and UAV data are two types of data used in remote sensing to collect information. This research will analyze land cover based on vegetation density information that c","cbCaigDJ3UNkEVXj","https://ap.wps.com/l/cbCaigDJ3UNkEVXj","pdf",988315,5,1,11,"Indonesian","id",113,"# Abstrak\n## Dasar klasifikasi kerapatan vegetasi\n## Data UAV dan penginderaan jauh\n## Ekstraksi fitur CNN dan metode klasifikasi\n## Hasil perbandingan akurasi\n# I. Pendahuluan\n## Konteks lahan gambut di Indonesia","[{\"question\":\"Penelitian ini mengklasifikasikan tutupan lahan berdasarkan apa?\",\"answer\":\"Berdasarkan informasi kerapatan vegetasi dari data UAV yang diperoleh melalui pendekatan penginderaan jauh.\"},{\"question\":\"CNN apa saja yang digunakan untuk ekstraksi fitur pada penelitian ini?\",\"answer\":\"ResNet-50, Inception-V3, dan DenseNet-121 digunakan untuk mengekstraksi fitur sebelum klasifikasi dilakukan.\"},{\"question\":\"Metode klasifikasi machine learning apa yang menghasilkan performa terbaik?\",\"answer\":\"Support Vector Machine (SVM) menjadi yang terbaik, dibuktikan dengan akurasi 85% saat menggunakan ekstraksi fitur ResNet-50.\"}]","KLASIFIKASI TUTUPAN LAHAN UAV MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK FEATURE MAP DENGAN KOMBINASI MACHINE LEARNING | PDF",1785902089,17,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":88,"head_meta":90,"extra_data":92,"updated_unix":29},"uav-land-cover-classification-using-convolutional-neural-network-feature-map-with-a-combination-of-machine-learning","",{"@graph":37,"@context":87},[38,55,70],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,52],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/id/document/","Document",2,{"item":50,"name":12,"@type":44,"position":51},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":53,"name":13,"@type":44,"position":54},"https://docshare.wps.com/id/document/uav-land-cover-classification-using-convolutional-neural-network-feature-map-with-a-combination-of-machine-learning/125929/",4,{"url":53,"name":13,"@type":56,"author":57,"headline":13,"publisher":59,"fileFormat":62,"inLanguage":24,"description":14,"dateModified":63,"datePublished":64,"encodingFormat":62,"isAccessibleForFree":65,"interactionStatistic":66},"DigitalDocument",{"name":9,"@type":58},"Person",{"url":42,"name":60,"@type":61},"DocShare","Organization","application/pdf","2026-08-17","2026-08-05",true,{"@type":67,"interactionType":68,"userInteractionCount":20},"InteractionCounter",{"@type":69},"ViewAction",{"@type":71,"mainEntity":72},"FAQPage",[73,79,83],{"name":74,"@type":75,"acceptedAnswer":76},"Penelitian ini mengklasifikasikan tutupan lahan berdasarkan apa?","Question",{"text":77,"@type":78},"Berdasarkan informasi kerapatan vegetasi dari data UAV yang diperoleh melalui pendekatan penginderaan jauh.","Answer",{"name":80,"@type":75,"acceptedAnswer":81},"CNN apa saja yang digunakan untuk ekstraksi fitur pada penelitian ini?",{"text":82,"@type":78},"ResNet-50, Inception-V3, dan DenseNet-121 digunakan untuk mengekstraksi fitur sebelum klasifikasi dilakukan.",{"name":84,"@type":75,"acceptedAnswer":85},"Metode klasifikasi machine learning apa yang menghasilkan performa terbaik?",{"text":86,"@type":78},"Support Vector Machine (SVM) menjadi yang terbaik, dibuktikan dengan akurasi 85% saat menggunakan ekstraksi fitur ResNet-50.","https://schema.org",{"og:url":53,"og:type":89,"og:title":13,"og:site_name":60,"og:description":14},"article",{"robots":91,"canonical":53},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":94},[95,100,104,108,112,116,118,122,126,130,134],{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":98,"slug":99},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":101,"doc_module":4,"doc_module_name":47,"category_name":102,"show_sort_weight":98,"slug":103},48,"Cerita & Novel","story-novel",{"id":105,"doc_module":4,"doc_module_name":47,"category_name":106,"show_sort_weight":98,"slug":107},56,"Gaya Hidup","lifestyle",{"id":109,"doc_module":4,"doc_module_name":47,"category_name":110,"show_sort_weight":98,"slug":111},51,"Komik","comic",{"id":113,"doc_module":4,"doc_module_name":47,"category_name":114,"show_sort_weight":98,"slug":115},53,"Layanan Kesehatan","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":98,"slug":117},"research-report",{"id":119,"doc_module":4,"doc_module_name":47,"category_name":120,"show_sort_weight":98,"slug":121},49,"Sastra","literature",{"id":123,"doc_module":4,"doc_module_name":47,"category_name":124,"show_sort_weight":98,"slug":125},52,"Teknologi","technology",{"id":127,"doc_module":4,"doc_module_name":47,"category_name":128,"show_sort_weight":98,"slug":129},50,"Ujian","exam",{"id":131,"doc_module":4,"doc_module_name":47,"category_name":132,"show_sort_weight":98,"slug":133},57,"Umum","general",{"id":135,"doc_module":4,"doc_module_name":47,"category_name":136,"show_sort_weight":4,"slug":137},181,"Formulir","formulir"]