Klasifikasi Arthropoda Dengan Pendekatan Convolutional Neural Network (CNN)

Abstract

Arthropoda merupakan filum hewan yang paling luas yang mencakup lebih dari 80% hewan spesies di bumi, termasuk kalajengking, laba-laba, dan kecoa. Morfologi keanekaragaman dan kemiripan antarspesies membuat klasifikasi manual menjadi kompleks, terutama di level ordo. Oleh karena itu, penelitian ini memiliki tujuan mengembangkan model klasifikasi citra arthropoda menggunakan pendekatan Convolutional Neural Network (CNN). Dataset yang dipakai adalah 1.028 images arthropoda yang diperoleh dari Kaggle, terbagi atas tiga kelas, yaitu kalajengking, laba-laba, dan kecoa. Dataset ini di split menjadi tiga tahap yaitu 80% untuk pelatihan, 10% validasi, dan 10% testing. Arsitektur yang dipakai dalam penelitian ini adalah EfficientNet-B7 yang digabungkan dengan metode transfer learning, augmentation data, serta optimasi Adam. Pelatihan dilakukan selama 25 epochs dengan menggunakan metode early stopping untuk mencegah overfitting. Hasil uji menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan citra arthropoda dengan 93,67% akurasi, 94,50% precision, 92,00% recall, dan F1-score 92,54%. Hasil ini menunjukkan bahwa strategi CNN, yaitu EfficientNet-B7, mampu mengenali dan mengklasifikasikan arthropoda secara efektif dan efisien. Penelitian ini menunjukkan potensi penggunaan teknologi deep learning untuk mendukung klasifikasi organisme biologis secara otomatis, cepat, dan akurat.