![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Andri Fauzan Adziima
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
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.