Implementasi Model Arsitektur VGG16 dan MobileNetV2 Untuk Klasifikasi Citra Kupu-Kupu

Authors

  • Desi Ramayanti
  • Sri Dianing Asri Universitas Dian Nusantara
  • Lionie Lionie Universitas Dian Nusantara

DOI:

https://doi.org/10.36085/jsai.v5i3.2864

Abstract

Untuk mengurangi populasi kupu-kupu, perlu adanya strategi untuk memantau jumlah dan spesies yang ada pada masing-masing ekosistem. Peran teknologi dapat membantu dalam proses ini, misalnya pengembangan sistem e-Butterfly untuk mengumpulkan gambar spesies kupu-kupu dari berbagai wilayah sehingga dapat diketahui jenis spesies yang masih ada dan letak wilayah hidupnya. Identifikasi spesies kupu-kupu dapat dilakukan dan dibantu oleh komputer dengan serangkaian proses lebih spesifik pada cabang ilmu machine learning dan image processing. Tujuan dari penelitian ini adalah untuk mengetahui kinerja (performance) dari model model arsitektur VGG16 dan MobileNetV2 untuk klasifikasi citra gambar kupu-kupu berdasarkan hasil ekstraksi fitur pada citra gambar tersebut. Dataset penelitian berisi 4955 gambar yang kemudian diberi label 50 butterfly species dengan ukuran 224 X 224 X 3. Akurasi terbaik diperoleh MobileNetV2 tanpa fine-tuning yaitu mencapai presentase 96%, dilanjutkan dengan VGG16 dengan fine-tuning, MobileNetV2 dengan fine-tuning, dan akurasi testing paling kecil diperoleh VGG16 tanpa fine-tuning. Untuk nilai precision, recall, F1-Score, dan Cohens Kappa lebih tinggi diperoleh model MobileNetV2 tanpa fine tuning, hal ini menunjukkan bahwa MobileNetV2 tanpa fine tuning lebih imbang dalam akurasi tiap kelasnya.

References

Ayumi, Vina. 2021. “Application of Machine Learning for SARS-CoV-2 Outbreak.†International Journal of Scientific Research in Science, Engineering and Technology 7(5): 241–48. http://ijsrset.com/paper/6705.pdf.

Hridayami, Praba, I Ketut Gede Darma Putra, and Kadek Suar Wibawa. 2019. “Fish Species Recognition Using VGG16 Deep Convolutional Neural Network.†Journal of Computing Science and Engineering 13(3): 124–30.

Kartika, Dhian Satria Yudha, Darlis Herumurti, and Anny Yuniarti. 2018. “Butterfly Image Classification Using Color Quantization Method on Hsv Color Space and Local Binary Pattern.†IPTEK Journal of Proceedings Series (1): 78–82.

Kaya, Yılmaz, and Lokman Kayci. 2014. “Application of Artificial Neural Network for Automatic Detection of Butterfly Species Using Color and Texture Features.†The visual computer 30(1): 71–79.

Noprisson, Handrie, Dana Indra Sensuse, Yudho Giri Sucahyo, and Lukman. 2016. “Metadata Development for Ethnophytomedicine Resources Using Metadata Analysis Approach.†In The 2016 8th International Conference on Information Technology and Electrical Engineering (ICITEE 2016), Yogyakarta, Indonesia: IEEE Xplore.

Nurhaida, Ida, Remmy A M Zen, Vina Ayumi, and Hong Wei. 2021. “Determining the Number of Batik Motif Object Based on Hierarchical Symmetry Detection Approach.†Indonesian Journal of Electrical Engineering and Informatics (IJEEI) 9(1): 141–52.

Ramalingam, Balakrishnan et al. 2018. “Cascaded Machine-Learning Technique for Debris Classification in Floor-Cleaning Robot Application.†Applied Sciences 8(12): 2649.

Ramayanti, Desi et al. 2020. “Tuberculosis Ontology Generation and Enrichment Based Text Mining.†In 2020 International Conference on Information Technology Systems and Innovation (ICITSI), IEEE, 429–34.

Skreta, Marta, Alexandra Luccioni, and David Rolnick. 2020. “Spatiotemporal Features Improve Fine-Grained Butterfly Image Classification.†In Conference on Neural Information Processing Systems,.

Sukmasetya, Pristi et al. 2017. “Developing Mobile Expert Web-Based System Using Brainstorming Method: Case: Tetanus and Botulism Diagnosis and Treatment in Goat.†In 2017 International Conference on Information Technology Systems and Innovation (ICITSI), IEEE, 303–8.

Zhu, Lili, and Petros Spachos. 2019. “Butterfly Classification with Machine Learning Methodologies for an Android Application.†In 2019 IEEE Global Conference on Signal and Information Processing (GlobalSIP), IEEE, 1–5.

Zoph, Barret, Vijay Vasudevan, Jonathon Shlens, and Quoc V Le. 2018. “Learning Transferable Architectures for Scalable Image Recognition.†In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 8697–8710.

Downloads

Published

2022-11-26
Abstract viewed = 42 times