STUDI KOMPARASI KINERJA MODEL TRANSFER LEARNING DENSENET201, RESNET50, DAN VGG16 PADA CITRA SATELIT LANDSAT-8 UNTUK KLASIFIKASI HUTAN

Afriansyah, Muhamad Rifqi and Arie, Vatresia and kurnia, Anggriani (2025) STUDI KOMPARASI KINERJA MODEL TRANSFER LEARNING DENSENET201, RESNET50, DAN VGG16 PADA CITRA SATELIT LANDSAT-8 UNTUK KLASIFIKASI HUTAN. Other thesis, Universitas Bengkulu.

[thumbnail of Thesis] Archive (Thesis)
NASKAH SKRIPSI MUHAMAR RIFQI AFRIANSYAH (G1A021023) - Muhamad Rifqi Afriansyah.pdf - Bibliography
Restricted to Repository staff only
Available under License Creative Commons GNU GPL (Software).

Download (4MB)

Abstract

Hutan tropis Indonesia, yang mencakup 62,97% dari total daratan, memiliki peran
vital dalam ekosistem global. Namun, deforestasi yang terus berlangsung, salah satunya
di Provinsi Bengkulu, memerlukan pemantauan yang akurat. Penelitian ini
membandingkan tiga model deep learning Transfer learning—DenseNet201, ResNet50,
dan VGG16 untuk mengklasifikasi hutan dan non-hutan menggunakan citra satelit
Landsat 8. Studi ini difokuskan pada Taman Hutan Buru Semidang Bukit Kabu di
Provinsi Bengkulu, yang merupakan hutan konservasi yang mengalami deforestasi. Hasil
penelitian menunjukkan DenseNet201 mencapai akurasi tertinggi 99,87%, diikuti oleh
ResNet50 dengan 98,03% dan VGG16 dengan 96,85%. Berdasarkan analisis perubahan
luas hutan di Taman Buru Semidang Bukit Kabu, DenseNet201 terbukti lebih efektif
dalam mendeteksi dan mengklasifikasikan perubahan luas hutan antara 2016 hingga
2020. Pada data asli, luas hutan yang terdeteksi berkisar antara 7102,26 ha hingga 7684,65
ha, sementara pada data yang ditingkatkan, luasnya berkisar antara 7365,42 ha hingga
7741,35 ha. Meskipun model lain memberikan hasil baik, DenseNet201 lebih unggul
dalam memonitor perubahan tutupan hutan secara keseluruhan.
Kata kunci: Klasifikasi, Hutan, Deep learning, Transfer learning, Landsat 8,
DenseNet201, ResNet50, VGG16

Item Type: Thesis (Other)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering > Department of Informatics Engineering
Depositing User: 58 lili haryanti
Date Deposited: 24 Sep 2025 06:26
Last Modified: 24 Sep 2025 06:26
URI: https://repository.unib.ac.id/id/eprint/26057

Actions (login required)

View Item
View Item

slot gacor terbaik

slot gacor terpercaya

Situs Resmi Bisawd

slot gacor 4d

Slot Terpercaya

Slot Gacor bet 200