PERBANDINGAN KINERJA KLASIFIKASI K-NEAREST NEIGHBOR (KNN) DAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KUPU-KUPU SUMATRA

Hana Salsa Billa, 1617051042 (2022) PERBANDINGAN KINERJA KLASIFIKASI K-NEAREST NEIGHBOR (KNN) DAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KUPU-KUPU SUMATRA. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

[img]
Preview
File PDF
1. ABSTRAK-ABSTRACT.pdf

Download (97Kb) | Preview
[img] File PDF
2. SKRIPSI FULL.pdf
Restricted to Hanya staf

Download (3497Kb)
[img]
Preview
File PDF
3. SKRIPSI TANPA BAB PEMBAHASAN.pdf

Download (3426Kb) | Preview

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

Taman Kupu Gita Persada adalah tempat yang digunakan untuk memelihara kupu-kupu yang berlokasi di Lampung dan memelihara kurang lebih 211 spesies kupu-kupu yang dikembangbiakan. Kupu-kupu memiliki berbagai jenis tekstur dan warna pada sayapnya. Keterbatasan pada mata manusia untuk membedakan tekstur dan warna pada spesies kupu-kupu adalah alasan untuk melakukan penelitian identifikasi kupu-kupu berdasarkan pengenalan pola. Dataset yang digunakan terdiri dari 800 gambar kupu-kupu sayap bagian atas dari delapan spesies: Ariadne ariadne, Cethosia penthesilea, Papilio peranthus, Pacliopta aristolochiae, Papilio memnon, Papilio nephelus, Parantica aspiasa, dan Troides helena. Tahap pre-processing yang dilakukan adalah scaling, segmentasi, dan grayscale. Metode GLCM digunakan untuk mengenali ciri-ciri citra kupu-kupu menggunakan arah sudut 0°, 45°, 90°, dan 135°. Fitur yang digunakan adalah angular second moment, contrast, homogeneity, dan correlation. Metode klasifikasi KNN pada penelitian ini menggunakan nilai k = 1, 3, 5, 7, 9, 11, 13, dan 15. Metode klasifikasi CNN pada penelitian ini menggunakan nilai learning rate 0,001 dan 0,01 dengan nilai epoch 10, 30, 50, 80, dan 100. Hasil pada penelitian ini adalah klasifikasi CNN menghasilkan tingkat akurasi tertinggi sebesar 99,7% dan kesalahan klasifikasi sebesar 0,3% pada pengujian dengan nilai epoch = 100 dan learning rate = 0,01, klasifikasi KNN menghasilkan tingkat akurasi tertinggi sebesar 76,3% dan kesalahan klasifikasi sebesar 23,7% pada pengujian dengan arah sudut 45° dengan nilai k = 1. Kinerja metode CNN memiliki akurasi 23,4% lebih tinggi dibandingkan dengan kinerja metode KNN pada klasifikasi kupu-kupu Sumatra. Kata kunci: Kupu-kupu, CNN, KNN, Pengenalan pola

Jenis Karya Akhir: Skripsi
Subyek: 000 Ilmu komputer, informasi dan pekerjaan umum
Program Studi: FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit: 2203680763 . Digilib
Date Deposited: 19 Apr 2022 07:57
Terakhir diubah: 19 Apr 2022 07:57
URI: http://digilib.unila.ac.id/id/eprint/60001

Actions (login required)

Lihat Karya Akhir Lihat Karya Akhir