Keywords
ResNet-50
CNN(Convolutional Neural Network)
Citra digital
How to Cite
Abstract
Klasifikasi jenis lovebird berdasarkan citra digital merupakan tantangan karena kemiripan visual antarjenis, terutama pada warna bulu dan pola tubuh. Penelitian ini bertujuan membangun model klasifikasi otomatis menggunakan algoritma Convolutional Neural Network dengan arsitektur Residual Networks 50. Dataset terdiri dari 500 gambar lovebird yang dikategorikan ke dalam tiga jenis, dengan praproses normalisasi dan augmentasi citra. Model ResNet-50 dilatih selama 1000 epoch dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan model mencapai akurasi pelatihan 88,6% dan F1-score rata-rata 83,4% tanpa overfitting signifikan. Temuan ini membuktikan bahwa arsitektur ResNet-50 efektif dalam mengklasifikasikan jenis lovebird, serta menunjukkan potensi penerapan kecerdasan buatan dalam identifikasi spesies hewan peliharaan secara visual.
References
[1] H. Diogenes Adoe, A. Yuniar Rahman, and Istiadi, “Segmentasi Citra Burung Lovebird Menggunakan K-Means,” J. Tek. Inform. dan Sist. Inf. , vol. 10, no. 1, pp. 706–718, 2023, [Online]. Available: http://dx.doi.org/10.30645/j-sakti.v4i2.236
[2] I. Riski, K. Putra, C. Sri, and K. Aditya, “Klasifikasi Citra Burung Cendrawasih Menggunakan Metode Convolutional Neural Network,” vol. 7, no. 2, pp. 189–198, 2025.
[3] H. Subakti, T. Pratama, A. M. Yusuf, R. Adhisti, and P. Syarifudin, “Klasifikasi jenis burung kacamata dan ciblek berdsarkan warna dengan metode rfbnn ( radial basis function neural network ),” 2024.
[4] N. Nurmalasari, W. Rostakina, and M. Aptini, “Keanekaragaman Burung Lovebird (Agapornis fischeri) : Review,” Panthera J. Ilm. Pendidik. Sains dan Terap., vol. 4, no. 1, pp. 29–33, 2024, doi: 10.36312/panthera.v4i1.246.
[5] H. Syaputra, E. Supratman, and S. D. Purnamasari, “Klasifikasi Jenis Burung Lovebird Menggunakan Algoritma Convolutional Neural Network,” J. Comput. Inf. Syst. Ampera, vol. 3, no. 2, pp. 133–140, 2022, doi: 10.51519/journalcisa.v3i2.195.
[6] A. Y. Rahman, “Klasifikasi Citra Burung Lovebird Menggunakan Decision Tree dengan Empat Jenis Evaluasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, pp. 688–696, 2021, doi: 10.29207/resti.v5i4.3210.
[7] M. Z. Hanif, W. A. Saputra, Y. H. Choo, and A. P. Yunus, “Rupiah Banknotes Detection : Comparison of The Faster R-CNN Algorithm and,” pp. 502–517, 2024.
[8] Muh. Falach Achsan Yusuf, “Klasifikasi Gambar Burung Konservasi di Wilayah Papua Barat Menggunakan Transfer Learning,” Indones. J. Comput. Sci., vol. 13, no. 1, 2024, doi: 10.33022/ijcs.v13i1.3702.
[9] R. Maulana, R. Dwi, Z. Putri, S. Fitriani, M. Sihaloho, and S. Mulyana, “Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Jenis Burung,” J. Creat. Student Res., vol. 1, no. 6, pp. 221–231, 2023, [Online]. Available: https://doi.org/10.55606/jcsrpolitama.v1i6.2966
[10] P. Nugraha, A. Komarudin, and E. Ramadhan, “Deteksi Objek Dan Jenis Burung Menggunakan Convolutional Neural Network Dengan Arsitektur Inception Resnet-V2,” INFOTECH J., vol. 8, pp. 47–55, 2022, [Online]. Available: https://doi.org/10.31949/infotech.v8I2.2889
[11] J. Alberto and D. Hermanto, “Klasifikasi Jenis Burung Menggunakan Metode CNN ResNet-50 [1],” J. Tek. Inform. dan Sist. Inf., vol. 10, no. 3, pp. 34–36, 2023.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Ryan Sea Prayoga, Danar Putra Pamungkas, Danang Wahyu Widodo