Perbaikan Klasifikasi Hewan pada Aplikasi Mobile Kebun Binatang dengan Transfer Learning

Auliya, Maisan (2024) Perbaikan Klasifikasi Hewan pada Aplikasi Mobile Kebun Binatang dengan Transfer Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201137-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Kebun binatang merupakan tempat pendidikan hiburan yang memberikan kesempatan bagi pengunjung untuk mengamati dan memahami perilaku hewan secara langsung. Namun, klasifikasi hewan secara menual bagi pengunjung dapat menjadi tantangan, terutama untuk hewan yang memiliki kemiripan fisik. Penelitian ini bertujuan untuk perbaikan dari aplikasi mobile kebun binatang berbasis android yang sebelumnya telah dikembangkan tetapi memiliki kelemahan pada hasil akurasi klasifikasi untuk jenis hewan tertentu yang cenderung sulit dibedakan seperti jenis aves dan bovidae. Hal ini terjadi karena kurang mampunya sistem dalam membedakan hewan dengan bentuk fisik yang mirip namun memiliki bagian tubuh tertentu seperti warna paruh dan bentuk tanduk yang berbeda. Untuk menjawab permasalahan tersebut, pada penelitian ini dilakukan perbaikan klasifikasi pada hewan berjenis aves dan bovidae dengan menambahkan teknik augmentasi yang berfokus pada bagian tubuh tertentu serta menggunakan metode transfer learning. Transfer learning adalah pendekatan pembelajaran mesin yang memanfaatkan pengetahuan yang telah dimiliki oleh model dari pembelajaran sebelumnya. Library yang digunakan dalam augmentasi berupa Albumentations, menyediakan berbagai teknik augmentasi seperti rotasi, perubahan kontras, pencahayaan dan menghilangkan beberapa piksel gambar. Hasil terbaik yang diperoleh dari pengujian menunjukkan arsitektur pre-trained model MobileNetV3 memiliki performa yang lebih baik dengan akurasi sebesar 93,36%. Model ini menujukkan peningkatan yang signifikan dibandingkan dengan model sebelumnya yang memiliki akurasi sebesar 91,52% menggunakan InceptionV3.
==============================================================================================================================
Zoos are educational and recreational places that provide visitors with the opportunity to observe and understand animal behavior firsthand. However, manually classifying animals can be challenging for visitors, especially for animals with physical similarities. This research aims to improve the previously developed Android-based mobile zoo application, which has shown weaknesses in classification accuracy for certain animal species that are difficult to distinguish, such as aves and bovidae. This issue ari ses because the system struggles to differentiate animals with similar physical forms but distinct features such as beak color and horn shape. To solve this problem, this research focuses on improving the classification of aves and bovidae by incorporating augmentation techniques that emphasize specific body parts and using transfer learning methods. Transfer learning is a machine learning approach that leverages knowledge acquired from previous model training. The augmentation library used is Albumentations, which offers various augmentation techniques such as rotation, contrast adjustment, brightness changes, and pixel removal. The best results obtained from testing indicate that the pre-trained model architecture MobileNetV3 performs better, achieving an accuracy of 93.36%. This model shows a significant improvement compared to the previous model, which had an accuracy of 91.52% using InceptionV3.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Aplikasi mobile, Kebun binatang, Klasifikasi hewan, Transfer learning, Mobile application, Zoo, Animal classification
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Maisan Auliya
Date Deposited:	21 Aug 2024 01:40
Last Modified:	21 Aug 2024 01:42
URI:	http://repository.its.ac.id/id/eprint/111053

Actions (login required)

View Item