Klasifikasi Spesies Kupu Kupu Menggunakan Metode Convolutional Neural Network
Abstract
Abstract: Butterflies are one of the insects of the ordo Lepideptora. Butterflies have many species with different wing patterns. This study aims to classify butterfly species using the Convolutional Neural Network (CNN) method with the VGG-16 architecture and LeNet with the Adam, Adagrad, and SGD optimizers. The dataset contains 5455 images and is divided into 4955 train data, 250 test data, and 250 valid data. Then the dataset is augmented on 8000 train data for each class and 800 test data for each class. In this study, the highest accuracy level for each architecture was obtained using the Adam optimizer so that the accuracy rate using VGG-16 was 93% and by using LeNet was 67%.
Abstrak: Kupu kupu merupakan salah satu serangga ordo lepideptora. Kupu kupu memiliki banyak spesies dengan corak sayap yang berbeda. penelitian ini bertujuan untuk mengklasifikasi spesies kupu kupu menggunakan metode Convolutional Neural Network(CNN) dengan arsitektur VGG-16 dan LeNet dengan optimizer Adam, Adagrad, dan SGD. Dataset terdapat 5455 citra dan di bagi menjadi 4955 data train, 250 data test, dan 250 data valid. Kemudian dataset dilakukan augmentasi pada data train sebanyak 8000 untuk setiap kelas dan data test 800 untuk setiap kelas. Pada penelitian ini didapatkan tingkat akurasi tertinggi untuk setiap arsitektur dengan menggunakan optimizer Adam sehingga didapatkan tingkat akurasi menggunakan VGG-16 sebesar 93% dan dengan menggunakan LeNet sebesar 67%.
References
[2] W. Oktaviati, S. Rifanjani, and H. Ardian, “Keanekaragaman Jenis Kupu-Kupu (Ordo Lepidoptera) Pada Ruang Terbuka Hijau Kota Pontianak,” J. Hutan Lestari, vol. 7, no. 1, pp. 79–85, 2019, doi: 10.26418/jhl.v7i1.31001.
[3] A. S. Almryad and H. Kutucu, “Automatic identification for field butterflies by convolutional neural networks,” Eng. Sci. Technol. an Int. J., vol. 23, no. 1, pp. 189–195, 2020, doi: 10.1016/j.jestch.2020.01.006.
[4] H. Muhamad, C. A. Prasojo, N. A. Sugianto, L. Surtiningsih, and I. Cholissodin, “Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 180, 2017, doi: 10.25126/jtiik.201743251.
[5] M. R. Alwanda, R. P. K. Ramadhan, and D. Alamsyah, “Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle,” J. Algoritm., vol. 1, no. 1, pp. 45–56, 2020, doi: 10.35957/algoritme.v1i1.434.
[6] A. Krishnaswamy Rangarajan and R. Purushothaman, “Disease Classification in Eggplant Using Pre-trained VGG16 and MSVM,” Sci. Rep., vol. 10, no. 1, pp. 1–11, 2020, doi: 10.1038/s41598-020-59108-x.
[7] M. E. Al Rivan and A. G. Riyadi, “Perbandingan Arsitektur LeNet dan AlexNet Pada Metode Convolutional Neural Network Untuk Pengenalan American Sign Language,” J. Komput. Terap., vol. 7, no. 1, pp. 53–61, 2021.
[8] N. N. Kamaron Arzar, N. Sabri, N. F. Mohd Johari, A. Amilah Shari, M. R. Mohd Noordin, and S. Ibrahim, “Butterfly Species Identification Using Convolutional Neural Network (CNN),” 2019 IEEE Int. Conf. Autom. Control Intell. Syst. I2CACIS 2019 - Proc., no. June, pp. 221–224, 2019, doi: 10.1109/I2CACIS.2019.8825031.
[9] A. J. Latipah, N. A. Verdhika, and S. P. H. S. MZ, “Rancang Bangun Aplikasi Klasifikasi Jenis Kupu- Kupu Awetan Family Papilionidae Dengan Metode SVM,” J. Rekayasa Teknol. Inf., vol. 2, no. 2, p. 143, 2018, doi: 10.30872/jurti.v2i2.1868.
[10] Ri. I. Ramadhani, “KLASIFIKASI JENIS TUMBUHAN BERDASARKAN CITRA DAUN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK,” Univ. Muhammadiyah Jember, 2021.
[11] R. B. R. Subiakto, “Klasifikasi Penyakit Pneumonia Pada Balita Melalui Gambar X-Ray Dengan Metode Convolutional Neural Network (CNN),” 2021, [Online]. Available: http://repository.unair.ac.id/109521/.
[12] T. Septianto, E. Setyati, and J. Santoso, “Model CNN LeNet dalam Rekognisi Angka Tahun pada Prasasti Peninggalan Kerajaan Majapahit,” J. Teknol. dan Sist. Komput., vol. 6, no. 3, pp. 106–109, 2018, doi: 10.14710/jtsiskom.6.3.2018.106-109.
[13] A. L. Pramana, E. Setyati, and Y. Kristian, “Model Cnn Lenet Dalam Pengenalan Jenis Golongan Kendaraan,” Inst. Sains dan Teknol. Terpadu Surabaya, vol. 13, no. 2, pp. 65–69, 2020.
[14] I. Bahar, A. N. Veriyani, P. Studi, and P. Biologi, “KEANEKARAGAMAN KUPU-KUPU SUPERFAMILI PAPILIONOIDAE (Lepidoptera) Di KAWASAN TAMAN HUTAN RAYA LEMO-LEMO KELURAHAN TANAH LEMO.,” vol. 4, no. 2, pp. 31–35, 2021.
[15] B. Hidayat and G. Hermawan, “Deteksi Hama Pada Daun Teh Dengan Metode Convolutional Neural Network ( CNN ),” SKRIPSI Progr. Stud. Tek. Inform. UNIKOM, vol. 1, no. 1, pp. 1–8, 2018.
[16] Y. Yohannes, D. Udjulawa, and F. Febbiola, “Klasifikasi Lukisan Karya Van Gogh Menggunakan Convolutional Neural Network-Support Vector Machine,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, 2021, doi: 10.28932/jutisi.v7i1.3399.
[17] I. C. Buulolo, H. A. Sihombing, K. Toba, and S. Utara, “PENGENALAN BUAH KOPI BERDASARKAN PARAMETER WARNA MENGGUNAKAN ALGORITMA BACKPROPAGATION DAN ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) INTRODUCTION OF COFFEE FRUIT BASED ON COLOR PARAMETER USING BACKPROPAGATION ALGORITHM AND SUPPORT VECTOR MACHINE ( SVM ),” pp. 26–32, 2021, doi: 10.47002/seminastika.v3i1.234.
[18] I. W. Hasanain and A. Rizal, “Klasifikasi Suara Paru-Paru Menggunakan Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 2, pp. 3218–3223, 2021.
[19] S. A. Suryaman et al., “Klasifikasi Cuaca Menggunakan Metode VGG-16,” vol. 1, no. 1, pp. 1–8, 2021.
[20] S. T. Krishna and H. K. Kalluri, “Deep learning and transfer learning approaches for image classification,” Int. J. Recent Technol. Eng., vol. 7, no. 5, pp. 427–432, 2019.
[21] A. Nasuha, T. A. Sardjono, and M. H. Purnomo, “Pengenalan Viseme Dinamis Bahasa Indonesia Menggunakan Convolutional Neural Network,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 7, no. 3, pp. 258–265, 2018, doi: 10.22146/jnteti.v7i3.433.
[22] N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Tek. Inform., vol. 1, no. 2, pp. 61–68, 2020, doi: 10.20884/1.jutif.2020.1.2.18.
[23] J. Septiadi, B. Warsito, and A. Wibowo, “Human Activity Prediction using Long Short Term Memory,” E3S Web Conf., vol. 202, pp. 1–12, 2020, doi: 10.1051/e3sconf/202020215008.
.png)
