@misc{eprints73631,
           month = {Juni},
           title = {PERBANDINGAN KINERJA ARSITEKTUR DEEP LEARNING VGGNET
DAN RESNET PADA IDENTIFIKASI KUPU-KUPU},
          author = {ALI  ROCHMAT },
         address = {UNIVERSITAS LAMPUNG},
       publisher = {FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM},
            year = {2023},
             url = {http://digilib.unila.ac.id/73631/},
        abstract = {
Kupu-kupu merupakan makhluk hidup yang berpengaruh terhadap keseimbangan
ekosistem. Kupu-kupu adalah salah satu serangga yang berperan menjadi perantara
penyerbukan tanaman, sehingga kupu-kupu berperan dalam keseimbangan
ekosistem. Identifikasi terhadap kupu-kupu diperlukan untuk membantu orang
awam atau pengunjung taman kupu-kupu, dalam menambah pengetahuannya
mengenai berbagai jenis kupu-kupu yang ada. Identifikasi di mudahkan dengan
adanya teknologi deep learning, serta perkembangan algoritma Convolutional
Neural Network (CNN) dan berbagai arsitektur yang di kebambangkan oleh
algoritma tersebut. Arsitektur VggNet dan ResNet digunakan untuk membantu
proses klasifikasi kelas kupu-kupu. Kedua arsitektur digunakan, karena dianggap
sebagai arsitektur yang memiliki tingkat akurasi yang baik pada identifikasi kupukupu.
Penelitian ini dilakukan menggunakan 800 gambar dari 8 kelas, masingmasing
kelas terdiri dari 100 gambar. Percobaan dilakukan secara online dan offline.
Hasil yang di berikan ialah perbandingan kedua arsitektur dari masing-masing
metode. Akurasi terbesar di dapatkan oleh arsitektur ResNet, yaitu sebesar
99,37\%.
Kata Kunci: Kupu-kupu, deep learning, VggNet, ResNet


Butterflies are living creatures that have an impact on ecosystem balance.
Butterflies are one of the insects that play a role as intermediaries in plant
pollination, thus contributing to ecosystem balance. Identification of butterflies is
necessary to assist the general public or visitors of butterfly gardens in expanding
their knowledge about the various species of butterflies. Identification is facilitated
by the presence of deep learning technology, as well as the development of
Convolutional Neural Network (CNN) algorithms and various architectures
developed by these algorithms. VggNet and ResNet architectures are used to assist
in the classification process of butterfly classes. Both architectures are used because
they are considered to have a high level of accuracy in butterfly identification. This
research was conducted using 800 images from 8 classes, with each class consisting
of 100 images. Experiments were conducted online and offline. The results
provided a comparison of the two architectures for each method. The highest
accuracy was obtained by the ResNet architecture, which reached 99.37\%.
Keywords: Butterflies, deep learning, VggNet, ResNet}
}