Klasifikasi Jenis Ular Berbisa Menggunakan Metode Convolutional Neural Network dan Transfer Learning

Gustian, M. Irfan (2023) Klasifikasi Jenis Ular Berbisa Menggunakan Metode Convolutional Neural Network dan Transfer Learning. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_1900018096_JUDUL__230911023613.pdf Download (1MB)
	Text (BAB I) T1_1900018096_BAB_I__230911023614.pdf Download (785kB)
	Text (BAB II) T1_1900018096_BAB_II__230911023614.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB III) T1_1900018096_BAB_III__230911023614.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB IV) T1_1900018096_BAB_IV__230911023614.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) T1_1900018096_BAB_V__230911023614.pdf Restricted to Registered users only Download (773kB) | Request a copy
	Text (Daftar Pustaka) T1_1900018096_DAFTAR_PUSTAKA__230911023614.pdf Download (778kB)

Abstract

Konflik antara manusia dan ular selalu terjadi setiap tahunnya, pada rentang 2020 hingga 2021
terjadi 627 kasus gigitan ular dan 67 diantaranya menyebabkan korban meninggal dunia.
Sebenarnya hal ini dapat dihindari apabila masyarakat mengetahui jenis-jenis ular yang
berbisa dan bagaimana efeknya terhadap tubuh agar pengaruh bisa dapat ditangani dengan
baik. Oleh karena itulah peneliti mengusulkan metode transfer learning untuk mengenali
jenis-jenis ular mana saja yang berbisa dan yang tidak berbisa. Penelitian ini diharapkan
mampu membantu masyarakat dalam mengidentifikasi jenis ular agar konflik antara manusia
dan ular dapat berkurang. Berdasarkan hasil pengkajian beberapa penelitian terdahulu peneliti
menggunakan model arsitektur MobileNetV2 sebagai model arsitektur transfer learning nya
karena terbukti mampu memberikan performa yang baik.. Total data citra yang digunakan
adalah 1579 data citra yang dikumpulkan dari beberapa website penyedia gambar di Internet.
Hasil pengujian dengan menggunakan model convolutional neural network yang
mengimplementasikan teknik transfer learning mampu memberikan hasil performa precision
sebesar 0.93, f1-score sebesar 0.92, recall sebesar 0.93 dan akurasi sebesar 0.93. Dari hasil
perhitungan performa yang telah disebutkan, dapat disimpulkan bahwa model dan sistem yang
dibangun mampu melakukan proses klasifikasi jenis ular dengan baik dan akurat.

Item Type:	Thesis (S1)
Keyword:	ular, klasifikasi, CNN, convolutional neural network, transfer learning, MobileNetV2
Subjects:	Q Science > QA Mathematics > QA76 Computer software Q Science > QL Zoology
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	userperpus2 userperpus2
Date Deposited:	26 May 2025 06:32
Last Modified:	26 May 2025 06:32
URI:	http://eprints.uad.ac.id/id/eprint/83824

Actions (login required)

View Item