Detail Cantuman

Penerapan komputasi dalam bidang machine learning telah diimplementasikan dalam proses identifikasi dan klasifikasi jenis-jenis batuan. Pendekatan ini telah membawa manfaat signifikan dalam mengurangi investasi waktu dan biaya yang terkait dengan survei geologi. Penelitian ini bertujuan untuk mengembangkan model yang efektif dalam mengklasifikasikan jenis batuan melalui pemanfaatan arsitektur jaringan saraf tiruan multilayer perceptron. Hyperparameter tuning merupakan langkah penting dari pemodelan arsitektur jaringan syaraf tiruan karena dapat secara langsung mengontrol kinerja model. Metode optimasi hyperparameter digunakan dalam mencari kombinasi terbaik untuk model. Data yang digunakan dalam penelitian adalah dataset jenis batuan hasil ektraksi citra satelit (Sentinel-
2A), data Digital Elevation Model (DEM) dari Badan Informasi Geospasial (BIG) dan citra satelit Radar ALOS PALSAR yang didapatkan dari Mine Serve Internasional. Berbagai pendekatan pencarian hyperparamet, seperti grid search, random search, dan bayesian search, telah diterapkan dalam eksperimen ini. Pada metode random search dan bayesian search, dilakukan dua kali eksperimen pencarian untuk mengakomodasi ruang pencarian yang berbeda. Kombinasi terbaik dari ruang pencarian ini digunakan kembali dalam melatih model multilayer perceptron pada seluruh data latih yang tersedia. Dari 6 kali pelatihan model MLP dengan hyperparameter tuning yang berbeda didapatkan model MLP dengan hyperparameter tuning grid search mendapatkan evaluasi kinerja terbaik dengan akurasi 89.72%, %, presisi 89.78%, recall 89.72%, dan F1 score 89.67%.