KLASIFIKASI JENIS BURUNG MENGGUNAKAN LIGHTWEIGHT DEEP CONVOLUTIONAL NEURAL NETWORKS

• ALDI JAKARIA
• 14002457

---

ABSTRAK

 

ABSTRAK Nama : Aldi Jakaria NIM : 14002457 Program Studi : Ilmu Komputer Jenjang : Strata Dua (S2) Konsentrasi : Data Mining Judul : “Klasifikasi Jenis Burung Menggunakan Lightweight Deep
Convolutional Neural Networks” Ilmuwan lingkungan sering menggunakan burung untuk memahami ekosistem karena mereka peka terhadap perubahan lingkungan, akan tetapi ahli yang tersedia sedikit. Untuk mempermudah dalam mengenali spesies burung diperlukan sistem otomatis yang dapat melakukan klasifikasi jenis burung. Ada banyak sekali model yang bisa dipilih, namun beberapa model membutuhkan komputasi yang sangat tinggi pada saat melakukan pelatihan data, mengurangi waktu pelatihan bisa berdampak kepada lebih sedikitnya energi listrik yang terbuang sehingga bisa berefek baik pada lingkungan. Untuk itu perlu diuji model yang memiliki kompleksitas yang kecil, apakah bisa menghasilkan performa yang baik. Berdasarkan banyaknya model neural network yang tersedia pada penelitian ini akan melakukan klasifikasi menggunakan model EfficientNet, EfficientNetV2, MobileNet, MobileNetV2, dan NasnetMobile untuk mengetahui apakah model tersebut bisa memiliki performa yang baik. Dari hasil penelitian semua model yang diuji memiliki performa yang baik dengan memiliki akurasi antara 95% - 97%. Model MobileNetV2 memiliki efisiensi terbaik dengan jumlah parameter paling sedikit dan waktu training paling kecil dengan tetap mempertahankan performa yang baik. Kata Kunci: burung, neural network, EfficientNet, EfficientNetV2, MobileNet, MobileNetV2, NasnetMobile
 

KATA KUNCI

Leightweight Deep Convolutional Neural Network

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI [1] Y. Rachmawati, Y. W. N. Tri, and A. P. Milenia, “Keaekaragaman Jenis Aves Dan Status Konservasi Di Area Pemandian Air Panas Cangar , Jawa Timur 2019,” Biomik, vol. 7, no. 2, pp. 436–444, 2019. [2] S. Islam, S. I. A. Khan, M. Minhazul Abedin, K. M. Habibullah, and A. K. Das, “Bird species classification from an image using VGG-16 network,”
ACM Int. Conf. Proceeding Ser. , pp. 38–42, 2019, doi: 10.1145/3348445.3348480. [3] Y. LeCun, L. eon Bottou, Y. Bengio, and P. Haffner, “Gradient-Based Learning Applied to Document Recognition,” PROC. IEEE, p. 1, 1998. [4] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014. [5] A. Satyo, B. Karno, D. Arif, and I. Sari, “Deteksi Covid-19 Image Chest XRay Dengan Convolution Neural Network Efficient Net-B7,” Semin. Nas.
Teknol. Inf. dan Komun. STI&K, vol. 5, no. 1, pp. 2581–2327, 2021. [6] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE
Comput. Soc. Conf. Comput. Vis. Pattern Recognit. , pp. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474. [7] A. G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017, [Online]. Available: http://arxiv.org/abs/1704.04861 [8] B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, “Learning Transferable Architectures for Scalable Image Recognition,” Proc. IEEE Comput. Soc.
Conf. Comput. Vis. Pattern Recognit. , pp. 8697–8710, 2018, doi: 10.1109/CVPR.2018.00907. [9] U. G. M. Press, KECERDASAN BUATAN BERBASIS PENGETAHUAN. UGM PRESS, 2021. [Online]. Available: https://books.google.co.id/books?id=cnlREAAAQBAJ [10] B. Hidayat, “Deteksi Hama Pada Daun Teh Dengan Metode Convolutional Neural Network (Cnn),” Universitas Komputer Indonesia, 2018. [11] Felix, S. Faisal, T. F. M. Butarbutar, and P. Sirait, “Implementasi CNN dan 42 SVM untuk Identifikasi Penyakit Tomat via Daun,” Issn 2622-8130, vol. 20, no. 2, pp. 117–134, 2019. [12] wikipedia, “Burung,” 2022, 2019. https://id.wikipedia.org/wiki/Burung [13] Y. P. Huang and H. Basanta, “Bird image retrieval and recognition using a deep learning platform,” IEEE Access, vol. 7, pp. 66980–66989, 2019, doi: 10.1109/ACCESS.2019.2918274. [14] G. Gupta, M. Kshirsagar, M. Zhong, S. Gholami, and J. L. Ferres, “Comparing recurrent convolutional neural networks for large scale bird species classification,” Sci. Rep., vol. 11, no. 1, pp. 1 –12, 2021, doi: 10.1038/s41598-021-96446-w. [15] P. Gavali and J. S. Banu, “Bird Species Identification using Deep Learning on GPU platform,” Int. Conf. Emerg. Trends Inf. Technol. Eng. ic-ETITE
2020, pp. 1–6, 2020, doi: 10.1109/ic-ETITE47903.2020.85. [16] S. Kumar, V. Dhoundiyal, N. Raj, and N. Sharma, “A Comparison of Different Techniques Used for Classification of Bird Species From Images,”
Smart Sustain. Intell. Syst. , pp. 41–50, 2021, doi: 10.1002/9781119752134.ch3. [17] M. Tan and Q. Le, “{E}fficient{N}et: Rethinking Model Scaling for Convolutional Neural Networks,” in Proceedings of the 36th International
Conference on Machine Learning, 2019, vol. 97, pp. 6105–6114. [Online]. Available: https://proceedings.mlr.press/v97/tan19a.html [18] M. Tan and Q. V. Le, “EfficientNetV2: Smaller Models and Faster Training,” 2021, [Online]. Available: http://arxiv.org/abs/2104.00298