digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Andri Fauzan Adziima
PUBLIC Yati Rochayati

COVER Andri Fauzan Adziima
PUBLIC Yati Rochayati

BAB 1 Andri Fauzan Adziima
PUBLIC Yati Rochayati

BAB 2 Andri Fauzan Adziima
PUBLIC Yati Rochayati

BAB 3 Andri Fauzan Adziima
PUBLIC Yati Rochayati

BAB 4 Andri Fauzan Adziima
PUBLIC Yati Rochayati

BAB 5 Andri Fauzan Adziima
PUBLIC Yati Rochayati

PUSTAKA Andri Fauzan Adziima
PUBLIC Yati Rochayati

Google Street View dan machine learning dapat menjadi alat yang ampuh untuk memaksimalkan potensi urban farming, dengan memberikan informasi berharga tentang kesesuaian lokasi. Dari penelitian ini didapatkan hasil bahwa algoritma CNN (Convolutional Neural Network) khususnya restnet dapat digunakan untuk melakukan klasifikasi tipe bangunan dan jalan dengan baik, juga tambahan optimalisasi dengan algoritma SVM (Support Vector Machine) dapat dengan baik melakukan identifikasi lokasi yang cocok untuk mengembangkan area urban farming. Pada proses klasifikasi menggunakan algoritma CNN (restnet), algoritma tersebut dapat melakukan klasifikasi dengan akurasi sebesar 0.88, sedangkan dengan melakukan optimalisasi dengan algoritma SVM nilai akurasi dapat ditingkatkan menjadi 0.97 atau meningkat 0.09. Hasil estimasi potensi area urban farming di Kota Bandung didapatkan nilai 21,882 m2 – 48,784 m2 (rata-rata 35,333 m2) / 2.19 ha – 4.88 ha (rata-rata 3.53 ha) total luas area urban farming di yang dapat dimanfaatkan, dengan rata-rata luasan area urban farming di setiap rumah berkisar antara 5.29 m2 - 11.79 m2 (rata-rata 8.54 m2), diketahui juga bahwa potensi area urban farming cenderung tersebar di wilayah pinggiran Kota Bandung, hal tersebut dikarenakan mayoritas perumahan-perumahan tersebar di wilayah pinggiran kota, sedangkan di pusat kota cenderung berisi bangunan-bangunan yang dipergunakan sebagai area komersil. juga dapat diketahui bahwa sebaran area urban farming yang tertinggi terdapat di wilayah kecamatan lengkong dan astanaanyar. Untuk pekerjaan di masa mendatang, kami ingin menggunakan algoritma CNN terlatih kami dengan tambahan dataset yang lebih lengkap, sehingga diharapkan dapat menyempurnakan akurasi klasifikasi gambar Street View. Selain itu kami juga ingin melakukan pengembangan riset ini bukan hanya untuk melakukan klasifikasi urban farming, namun pada topik-topik riset lainnya, dikarenakan pada dasarnya citra google street view dapat memberikan banyak insight yang sangat bermanfaat untuk pemangku kebijakan dalam mengelola wilayahnya secara efisien.