EVALUASI KINERJA DEEP LEARNING UNTUK IDENTIFIKASI SPESIES KUPU-KUPU SUMATERA BERBASIS AUGMENTASI DATA

RICO, ANDRIAN (2026) EVALUASI KINERJA DEEP LEARNING UNTUK IDENTIFIKASI SPESIES KUPU-KUPU SUMATERA BERBASIS AUGMENTASI DATA. [Disertasi]

Preview	File PDF ABSTRAK.pdf Download (311Kb) | Preview
	File PDF FILE DISERTASI FULL.pdf Restricted to Hanya staf Download (3157Kb) | Minta salinan
Preview	File PDF FILE DISERTASI FULL TANPA BAB PEMBAHASAN.pdf Download (2686Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Kupu-kupu merupakan salah satu indikator penting keanekaragaman hayati yang memiliki peran ekologis dalam proses penyerbukan dan pemantauan kualitas lingkungan. Identifikasi spesies kupu-kupu secara manual memerlukan keahlian taksonomi dan waktu yang relatif lama sehingga diperlukan sistem identifikasi otomatis yang akurat dan efisien. Penelitian ini bertujuan untuk mengevaluasi kinerja berbagai arsitektur deep learning dalam mengidentifikasi spesies kupu-kupu Sumatera berbasis citra digital serta menganalisis pengaruh teknik augmentasi data terhadap performa model. Dataset yang digunakan terdiri atas delapan spesies kupu-kupu Sumatera yang berasal dari Taman Kupu-Kupu Gita Persada, Bandar Lampung. Penelitian membandingkan tujuh arsitektur deep learning, yaitu DenseNet201, ResNet50, Xception, MobileNet, InceptionV3, Vision Transformer (ViT), dan EfficientNetB0. Selain itu, diterapkan enam teknik augmentasi data, yaitu Rotation, Flip, CutMix, Mixup, AugMix, dan LayerMix. Evaluasi dilakukan menggunakan metrik akurasi klasifikasi, efisiensi komputasi, dan penggunaan memori. Hasil penelitian menunjukkan bahwa seluruh model mampu melakukan identifikasi spesies kupu-kupu Sumatera dengan tingkat akurasi yang tinggi. DenseNet201 menghasilkan akurasi tertinggi sebesar 99,38% pada data asli, diikuti ResNet50 dan Xception sebesar 98,75%, serta MobileNet sebesar 97,50%. Penerapan augmentasi data terbukti meningkatkan kemampuan generalisasi model dan menghasilkan beberapa kombinasi arsitektur–augmentasi dengan akurasi tertinggi sebesar 99,38%, yaitu DenseNet201–LayerMix, MobileNet–Flip, MobileNet–CutMix, Vision Transformer–Flip, Vision Transformer–CutMix, Xception–Flip, Xception–CutMix, Xception–Mixup, Xception–AugMix, serta EfficientNetB0–LayerMix. Hasil penelitian juga menunjukkan bahwa MobileNet memiliki keseimbangan terbaik antara akurasi, waktu inferensi, ukuran model, dan jumlah parameter sehingga sangat sesuai untuk implementasi pada perangkat bergerak. Penelitian ini berhasil menghasilkan sistem identifikasi otomatis spesies kupu-kupu Sumatera berbasis deep learning yang mendukung konservasi biodiversitas dan diimplementasikan dalam aplikasi mobile Butterfly Vision.

Jenis Karya Akhir:	Disertasi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 001 Ilmu pengetahuan 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 500 ilmu pengetahuan alam dan matematika > 570 Biologi
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S3 Doktor MIPA
Pengguna Deposit:	2605070280 Digilib
Date Deposited:	15 Jun 2026 06:28
Terakhir diubah:	15 Jun 2026 06:28
URI:	http://digilib.unila.ac.id/id/eprint/100468

Actions (login required)

Lihat Karya Akhir