TY  - THES
N1  - Pembimbing: Dr. Ir. Shofwatul ?Uyun, S.T., M. Kom
ID  - digilib56299
UR  - https://digilib.uin-suka.ac.id/id/eprint/56299/
A1  - Diniati Ruaika, NIM.: 20206051006
Y1  - 2023/01/02/
N2  - Kupu-kupu merupakan jenis serangga yang tergolong ke
dalam ordo Lepidoptera. Jumlah spesies kupu-kupu di dunia
mencapai 21.000 (Fathimathul dkk, 2022). Peranan kupu-kupu
sangat penting di dalam mempertahankan keseimbangan ekosistem
dan memperkaya tingkat biodeversitas hayati (Rohman, Efendi dan
Danrini, 2019). Melalui penyerbukan oleh kupu-kupu, tanaman
dapat memperbanyak diri secara alami, sehingga dapat
mempertahankan keberadaannya. Selain sebagai polinator atau
hewan penyerbuk, kupu-kupu juga dapat berperan sebagai indikator
terjadinya perubahan lingkungan (Syaripuddin, Sing & Wilson,
2015; An & Choi, 2020; Ismail dkk, 2020). Penelitian oleh Legal
dkk, (2020) mengungkapkan bagaimana keberadaan kupu-kupu
sangat berhubungan erat dengan habitat atau tempat makhluk hidup
tinggal dan juga tingkat gangguan antropogeniknya (gangguan yang
bersumber dari aktivitas manusia). Penelitian tersebut mengungkap
bahwa selama 25 tahun mengamati hutan kering tropis (Tropical
Dry Forest) tidak satupun ditemukan keberadaan kupu-kupu di sana.
Ismail, dkk (2020), juga mengungkapkan temuan yang identik,
bahwa keberadaan kupu-kupu sangat dipengaruhi oleh lingkungan
hidupnya. Selain itu, populasi dan diversitas kupu-kupu di
lingkungan hidup dapat ditentukan oleh jenis vegetasi, sumber
tanaman pelindung, kesehatan dan juga gangguan lingkungan hidup.
Van der Burg & Reed (2021) mengungkapkan bahwa pembentukan
2
corak kupu-kupu dapat dipengaruhi oleh environmental stress atau
tekanan lingkungan, yang bisa berupa suhu, iklim mikro, dan
paparan radiasi sinar matahari. Envinromental stress juga
menyebabkan perubahan epigenetik pada gen kupu-kupu yang
berdampak pada pola sayap dan pewarisan transgenerasional.
Berdasarkan hasil penelitian-penelitian di atas, maka studi mengenai
kupu-kupu menjadi penting untuk bisa dipelajari karena tidak hanya
untuk tujuan mengungkap keberagaman fauna saja, namun juga
dapat mempelajari perubahan lingkungan hidup. Saat ini, penelitian
klasifikasi kupu-kupu masih banyak yang menggunakan metode
manual atau menggunakan jaring serangga umtuk menangkap kupukupu
(Amrullah, Hilda dan Rusli, 2018; Gonggoli dkk, 2021;
Paramita, Syazali dan Erfan, 2022). Metode manual ini memiliki
kelemahan, yaitu membutuhkan waktu klasifikasi yang relatif lama,
akurasi yang rendah karena banyak spesies kupu-kupu memiliki
kemiripan bentuk yang kadang sulit dibedakan, serta sedikitnya
jumlah ahli taksonomi yang tersedia (Almryad dan Kutucu, 2020).
Ditambah lagi, kupu-kupu yang ditangkap bisa mengalami cidera
atau mati karena jaring dan perlakuan manusia.
Berdasarkan hasil analisis data dan pembahasan data serta untuk
menjawab rumusan masalah dan tujuan penelitian, kesimpulan yang
bisa diambil dalam penelitian klasifikasi kupu-kupu (lepidoptera)
adalah sebagai berikut.
1. Augmentasi data melalui parameter epsilon zca whitening,
image rotation, width shift range, height shift range, shear
range, zoom range, channel shift range, fill mode horizontal
flip, dan preprocessing function pada penelitian ini mampu
meningkatkan nilai akurasi pada model arsitektur ResNet50.
Akurasi ResNet50 mengalami peningkatan dari 69% menjadi
86%.
2. Optimasi akurasi ResNet50 pada penelitian ini berhasil
dilakukan dengan metode ensemble deep learning, yaitu
menggabungkan arsitektur CNN pada arsitektur ResNet50.
Hasil ensemble deep learning dalam penelitian ini mendapat
nilai akurasi 95% dengan data diaugmentasi dan 93% dengan
data tidak diaugmentasi.
3. Akurasi klasifikasi melalui ensemble deep learning pada
model arsitektur ResNet50 menunjukan performa lebih baik
daripada penelitian-penelitian sebelumnya. Nilai akurasi
yang didapatkan pada penelitian ini mencapai 95%.
Kemudian, pada matriks performa, didapatkan nilai precision
sebesar 96%, recall sebesar 95%, dan F-1 score sebesar 95%.
PB  - UIN SUNAN KALIJAGA YOGYAKARTA
KW  - Machine Learning
KW  -  Deep Learning
KW  -  Overfitting dan Underfitting
M1  - masters
TI  - OPTIMASI ARSITEKTUR RESNET50 DENGAN DATA AUGMENTATION DAN ENSEMBLE DEEP LEARNING PADA KLASIFIKASI SPESIES KUPU-KUPU (LEPIDOPTERA)
AV  - restricted
EP  - 108
ER  -