KLASIFIKASI SPESIES KUPU-KUPU MENGGUNAKAN CNN DENGAN REDUKSI DIMENSI PCA

Abstract

Kupu-kupu memiliki peran dalam menjaga keseimbangan ekosistem sekaligus menjadi indikator kualitas lingkungan hidup. Penurunan populasi kupu-kupu di wilayah perkotaan menjadi latar belakang pengembangan sistem klasifikasi spesies berbasis citra digital guna mendukung edukasi dan konservasi. Penelitian ini mengusulkan metode klasifikasi spesies kupu-kupu menggunakan kombinasi Convolutional Neural Network (CNN) dan Principal Component Analysis (PCA). Dataset yang digunakan diambil dari Kaggle dengan total 80 spesies, namun difokuskan pada 5 spesies untuk eksperimen, yaitu Monarch, Painted Lady, Peacock, Question Mark, dan Red Admiral. Proses pra-pemrosesan dilakukan dengan Sobel Edge Detection untuk menonjolkan kontur morfologi, sedangkan fitur tekstur diekstraksi menggunakan Gray Level Co-Occurrence Matrix (GLCM). Reduksi dimensi dengan PCA diterapkan sebelum proses klasifikasi menggunakan Support Vector Machine (SVM). Hasil pengujian menunjukkan bahwa metode CNN dengan input gambar hasil Sobel mencapai akurasi tertinggi sebesar 75,21%. Sementara itu, kombinasi metode SOBEL + PCA + SVM menghasilkan akurasi 58,76%, dan kombinasi GLCM + PCA + SVM menghasilkan akurasi 40,07%. Metode hybrid Sobel + GLCM + PCA + SVM memberikan akurasi terendah di antara pendekatan non-deep learning yaitu 23,07%. Temuan ini menunjukkan bahwa pendekatan CNN memberikan akurasi terbaik, sedangkan kombinasi GLCM, Sobel, PCA, dan SVM menawarkan solusi klasifikasi yang lebih efisien tetapi mengurangi berbagai fitur utama dalam klasifikasi.