{"title":"基于Himawari图像的卷积神经网络模型Googlenet对积雨云形成的分类","authors":"Mohammad Rizal Abidin, None Dian candra Rini Novitasari, None Hani Khaulasari, None Fajar Setiawan","doi":"10.24002/jbi.v14i02.7417","DOIUrl":null,"url":null,"abstract":"Awan Cumulonimbus (Cb) merupakan awan yang berbahaya bagi banyak aktivitas manusia. Untuk mengurangi efek tersebut diperlukan sistem untuk mengklasifikasikan pembentukannya. Pembentukan awan Cb dapat dilihat pada citra Himawari-8 IR. Tujuan penelitian ini adalah membuat sistem klasifikasi formasi awan Cb dengan citra Himawari-8 IR Enhanced menggunakan metode CNN model GoogleNet. Total data yang akan digunakan sebanyak 2.026 data citra. Pengujian parameter dilakukan pada model CNN GoogleNet pada penelitian ini yaitu rasio sebaran data 90:10 dan 80:20. Probabilitas drop out 0,6; 0,7; dan 0,8. dan batch size 8, 16, 32, dan 64. Uji coba yang dilakukan pada penelitian ini menghasilkan nilai sensitivitas 100,00%, akurasi 99,00%, dan spesifisitas 99,60% yang diperoleh dari distribusi data eksperimen sebesar 90:10, probabilitas 0,8 dan ukuran batch 8.","PeriodicalId":499081,"journal":{"name":"Jurnal Buana Informatika","volume":"67 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-10-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Classification of Cumulonimbus Cloud Formation based on Himawari Images using Convolutional Neural Network model Googlenet\",\"authors\":\"Mohammad Rizal Abidin, None Dian candra Rini Novitasari, None Hani Khaulasari, None Fajar Setiawan\",\"doi\":\"10.24002/jbi.v14i02.7417\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Awan Cumulonimbus (Cb) merupakan awan yang berbahaya bagi banyak aktivitas manusia. Untuk mengurangi efek tersebut diperlukan sistem untuk mengklasifikasikan pembentukannya. Pembentukan awan Cb dapat dilihat pada citra Himawari-8 IR. Tujuan penelitian ini adalah membuat sistem klasifikasi formasi awan Cb dengan citra Himawari-8 IR Enhanced menggunakan metode CNN model GoogleNet. Total data yang akan digunakan sebanyak 2.026 data citra. Pengujian parameter dilakukan pada model CNN GoogleNet pada penelitian ini yaitu rasio sebaran data 90:10 dan 80:20. Probabilitas drop out 0,6; 0,7; dan 0,8. dan batch size 8, 16, 32, dan 64. Uji coba yang dilakukan pada penelitian ini menghasilkan nilai sensitivitas 100,00%, akurasi 99,00%, dan spesifisitas 99,60% yang diperoleh dari distribusi data eksperimen sebesar 90:10, probabilitas 0,8 dan ukuran batch 8.\",\"PeriodicalId\":499081,\"journal\":{\"name\":\"Jurnal Buana Informatika\",\"volume\":\"67 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-10-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Jurnal Buana Informatika\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.24002/jbi.v14i02.7417\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Buana Informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.24002/jbi.v14i02.7417","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Classification of Cumulonimbus Cloud Formation based on Himawari Images using Convolutional Neural Network model Googlenet
Awan Cumulonimbus (Cb) merupakan awan yang berbahaya bagi banyak aktivitas manusia. Untuk mengurangi efek tersebut diperlukan sistem untuk mengklasifikasikan pembentukannya. Pembentukan awan Cb dapat dilihat pada citra Himawari-8 IR. Tujuan penelitian ini adalah membuat sistem klasifikasi formasi awan Cb dengan citra Himawari-8 IR Enhanced menggunakan metode CNN model GoogleNet. Total data yang akan digunakan sebanyak 2.026 data citra. Pengujian parameter dilakukan pada model CNN GoogleNet pada penelitian ini yaitu rasio sebaran data 90:10 dan 80:20. Probabilitas drop out 0,6; 0,7; dan 0,8. dan batch size 8, 16, 32, dan 64. Uji coba yang dilakukan pada penelitian ini menghasilkan nilai sensitivitas 100,00%, akurasi 99,00%, dan spesifisitas 99,60% yang diperoleh dari distribusi data eksperimen sebesar 90:10, probabilitas 0,8 dan ukuran batch 8.