Peningkatan Metode YOLOv7 Dengan Proses Augmentasi Image Pada Klasifikasi Jenis Kupu-Kupu
YOLOv7 Method Improvement With Image Augmentation Process In Classification of Butterfly species
Desi Anggreani1*), Lukman2
1,2Teknik Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia
1[email protected], 2[email protected]
Abstrak
Taman Nasional Bantimurung Bulusaraung(TN-Babul) adalah Taman nasional yang cukup terkenal dengan berbagai keindahan alamnya. TN-Babul terletak disalah satu kabupaten di provinsi sulawesi selatan. Penangkaran kupu-kupu adalah hal yang paling mendominasi pada taman nasional tersebut hingga julukan The kingdom of butterfly disebut sebagai TN-Babul.
Spesies kupu-kupu cukup banyak yang dimana mencapai 20.000, sekitar 2000 spesies ada di Indonesia dan 557 spesies ada di Pulau Sulawesi. Berbagai pengunjung baik masyarakat lokal, nasional dan mancanegara datang ke TN-Babul, namun banyak pengunjung yang tidak mengetahui spesies kupu-kupu secara spesifik dan beranggapan bahwa spesies kupu-kupu semua sama. Dampak lain dari kurangnya pengetahuan mengenai spesies kupu-kupu adalah proses penangkaran yang tidak sesuai dengan habitatnya sehingga kepunahan dari spesies kupu- kupu bisa terjadi. Dalam penelitian ini, proses identifikasi dan klasifikasi spesies kupu-kupu dilakukan dengan menggunakan metode YOLOv7. Penggunaan metode YOLOv7 dikombinasikan dengan proses Augmentasi Image untuk dapat menghasilkan proses klasifikasi yang lebih baik. Dari proses implementasi yang telah dilakukan dengan menggunakan data set 1000 dan jumlah iterasi 1000 maka diperoleh hasil mAP sebesar 90%. Berdasarkan perbandingan dengan penelitian sebelumnya penelitian ini membuktikan bahwa proses Augmentasi Image dapat meningkatkan nilai mAP sebesar 2,97%.
Kata kunci: Augmentasi Image, Spesies Helena, Spesies Myrina, TN-Babul, YOLOv7.
Abstract
Bantimurung Bulusaraung National Park (TN-Babul) is a national park which is quite famous for its various natural beauties. TN-Babul is located in one of the districts in the province of South Sulawesi. Butterfly breeding is the most dominating thing in the national park so that the nickname The kingdom of butterfly is called TN-Babul. There are quite a lot of butterfly species which reach 20,000, around 2,000 species in Indonesia and 557 species in Sulawesi Island. Various visitors, both local, national and foreign, come to the TN-Babul, but many visitors do not know the specific butterfly species and think that all butterfly species are the same. Another impact of the lack of knowledge about butterfly species is the breeding process[d1] that is not suitable for their habitat so that [d2] the extinction of butterfly species can occur. In this study, the process of identifying and classifying butterfly species was carried out using the YOLOv7 method. The use of the YOLOv7 method is combined with the Image Augmentation process to produce a better classification process. From the implementation process that has been carried out using a data set of 1000 and the number of iterations of 1000, a 90% mAP result is obtained. Based on a comparison [d3] with previous studies, this research proves that the Image Augmentation process can increase the mAP value by 2.97%.
Keywords: Augmentasi Image, Spesies Helena, Spesies Myrina,TN-Babul, YOLOv7.
244
1. PENDAHULUAN
Taman Nasional Bantimurung Bulusaraung yang biasa disingkat dengan sebutan TN- Babul, adalah kawasan pelestarian alam yang terletak di Kabupaten Maros, lebih spesifik pada Provinsi Sulawesi Selatan. Taman nasional ini cukup terkenal pada masyarakat lokal, nasional hingga pada panca negara [1]. TN-Babul memiliki lahan yang cukup luas mencapai sekitar 43.750 hektar, yang terbagi menjadi tiga tipe ekosistem utama: karst, hutan dataran rendah, dan hutan pegunungan bawah. Secara geografis, wilayah ini terletak antara 119◦34017”—119◦55013” BT dan antara 4◦42049”–5◦06042” BT. TN Babul terbentang di tiga kabupaten administratif (Maros, Pangkep, dan Bone), menempati 10 kecamatan dan 40 desa[2]. Taman nasional ini cukup terkenal karena terdapat berbagai keindahan alam seperti air terjun, gua-guanya yang menakjubkan, dan keanekaragaman hayatinya, terutama berbagai jenis kupu-kupu yang tinggal di dalamnya[3][4][5]. Beberapa kupu-kupu yang dapat dijumpai pada kawasan TN-Babul dapat dilihat pada Gambar 1.
Gambar 1. Kupu-kupu yang Dijumpai di Kawasan Wisata Bantimurung[6]
Kupu-kupu merupakan filum Arthropoda kelas Insecta dan ordo Lepidoptera.
Lepidoptera berasal dari kata "lepis", yang berarti sisik, dan "pteron", yang berarti sayap.
Sehingga kupu-kupu adalah hewan yang bersisik dan akan sangat mudah lepas jika terpegang oleh tangan manusia. Ciri khas kupu-kupu adalah kombinasi corak warna sayap yang unik dan menarik. Kupu-kupu biasanya hidup di pekarangan rumah, kebun, dan pinggiran hutan[7].
Kupu-kupu memiliki keistimewaan yang unik dibanding hewan lainnya, berperan penting dalam penyerbukan tanaman dan mengontrol keanekaragaman hayati yang adalah pada Taman Nasional[8]. Berbagai masalah mengenai kupu-kupu banyak dijumpai mulai pada proses penangkaran dan beberapa spesies yang mulai punah. Masalah yang terjadi disebabkan oleh beberapa hal diantaranya adalah habitat kupu-kupu yang sudah berubah dan bukan lagi menjadi daerah yang dilindungi. Penyebab lain adalah kurangnya studi taksonomi dan ekologi yang membahas secara rinci mengenai proses penangkaran yang baik bagi setiap spesies kupu- kupu[3]. Spesies Kupu-kupu mencapai 20.000 dan 90% ditemukan di daerah tropis[9]. Oleh karena itu, daerah tropis memiliki lebih banyak spesies kupu-kupu dari pada daerah beriklim sedang, sekitar 2000 spesies ada di Indonesia dan 557 spesies ada di Pulau Sulawesi[10]. Ada banyak jenis kupu-kupu yang umum, namun pengetahuan masyarakat tentang jenis kupu-kupu masih kurang. Banyak masyarakat beranggapan bahwa kupu-kupu itu sama, padahal berbeda satu sama lain. Oleh karena itu, pentingnya untuk mengetahui spesies kupu-kupu untuk membedakan spesies yang satu dengan yang lainnya.
Proses klasifikasi adalah proses yang dapat membantu masyarakat dalam pengenalan berbagai spesies kupu-kupu. Berbagai metode yang dapat digunakan dalam proses klasifikasi salah satunya adalah metode You Only Look Once yang biasa disingkat YOLO. Metode YOLO adalah metode yang masuk dalam deep learning dan merupakan metode machine learning yang saat ini cukup terkenal dalam proses mendeteksi suatu objek. Metode ini banyak digunakan
dikarenakan akurasi yang diatas rata-rata[11]. Proses pendeteksian dilakukan dengan YOLO menggunakan pendekatan jaringan konvolusi tunggal pada keseluruhan citra untuk memprediksi bounding box dan label jenis spesies pada setiap bounding box[12]. Metode YOLO mengalami perkembangan terus menerus dimana YOLOv3 dipecah menjadi YOLOv4 dan YOLO v5, hingga saat ini versi terbaru metode ini adalah YOLOv7[13]. Berbagai penelitian yang dilakukan dengan metode ini dalam proses pendeteksian, pada tahun 2022 dilakukan implementasi metode YOLOv5 dikombinasikan dengan metode LRDD dalam mendeteksi kerusakan jalan. Hasil dari penelitian tersebut adalah sistem yang dibangun dapat melakukan pendeteksian dan memiliki nilai Precision dan recall yang cukup rendah yaitu 59,2% dan 58,7%[14]. Selanjutnya pada tahun yang sama penelitian dilakukan kembali dengan mengimplementasikan metode YOLOv5 dalam mendeteksi lahan pertanian yang terkena hama tikus. Penelitian ini dilakukan dengan menggunakan 260 data dan menghasilkan rata-rata akurasi 88%[15]. Penelitian terbaru dilakukan untuk mendeteksi penyakit tumor otak dengan menggunakan metode YOLOv7. Proses diterasi yang dilakukan pada penelitian ini sebanyak 50 dan 100 iterasi, dari proses iterasi diperoleh nilai Precision dan Recall yang cukup tinggi mencapai 91% dan 90%. Berbeda dengan penelitian sebelumnya dalam penelitian ini akan melakukan proses identifikasi hingga pada proses klasifikasi spesies kupu-kupu pada TN-Babul.
Proses identifikasi dan klasifikasi dilakukan dengan metode YOLOv7 dan ditingkatkan dengan proses Augmentasi Image.
2. METODE PENELITIAN 2.1 Metode Penelitian
Tahapan penelitian secara keseluruhan dimana diawali dengan pengumpulan dataset, Selanjutnya Preprocessing data dengan menggunakan Augmentasi Image, proses training dan labelling, implementasi metode YOLOv7 dan memperoleh hasil penelitian. Tahapan penelitian digambarkan seperti pada Gambar 2.
Gambar 2. Tahapan Penelitian
246
Proses awal yang akan dilakukan dalam penelitian ini adalah pengumpulan data set.
Data dipersiapkan dalam bentuk gambar yang diperoleh dari Taman Nasional Bantimurung Bulusaraung. Spesies kupu-kupu yang akan deteksi adalah spesies Helena dan Spesies Myrina.
Kedua spesies kupu-kupu ini adalah jenis spesies yang dilestarikan pada TN-Babul dan spesies yang cukup diminati oleh para pengunjung. Dataset yang digunakan dalam penelitian ini dapat dilihat pada Gambar 3.
(a)
(b)
Gambar 3 Spesies Kupu-kupu (a) Spesies Myrina (b) Spesies Helena
Tahapan selanjutnya adalah melakukan peningkatan proses pendeteksian dengan menggunakan preprocessing Augmentasi Image. Proses ini dilakukan dengan memperluas dataset pelatihan dengan membuat variasi dari gambar data set yang asli. Data set asli yang diperoleh akan diperbanyak dengan menggunakan proses augmentasi image, tujuan dari augmentasi gambar ini adalah untuk meningkatkan kemampuan generalisasi model, mencegah overfitting, dan meningkatkan performa model pada data yang belum pernah dilihat sebelumnya. Setelah data melalui proses Augmentasi Image maka akan diproses pada tahap training dan labeling. Tahap training adalah proses pembelajaran yang dilakukan oleh metode dari data pelatihan yang telah diberikan. Tahap training akan melakukan penyesuaian untuk mengoptimalkan parameter-parameter pendeteksian agar dapat menggeneralisasi dan memberikan hasil yang akurat pada data yang belum pernah diolah sebelumnya. Memberikan labelling pada data set adalah bagian proses dalam penelitian ini, proses tersebut mengidentifikasi objek, wilayah, atau fitur lainnya dalam gambar sehingga mempermudah metode YOLOv7 dalam proses identifikasi objek.
Setelah melakukan beberapa tahap diatas tahap inti yang akan dilakukan adalah implementasi metode YOLOv7 pada dataset gambar spesies kupu-kupu. Proses secara keseluruhan dapat dilihat pada Gambar 4.
Gambar 4. Tahapan Metode YOLOv7
Tahap awal dalam metode YOLO adalah melakukan konfigurasi jaringan YOLO.
Konfigurasi yang dilakukan dengan tujuan sebagai jaringan model untuk memuat data yang akan dilatih atau ditraining. Arsitektur algoritma YOLO dapat dilihat pada Gambar 5.
248
Gambar 5. Arsitektur Metode YOLOv7
Tahap akhir dalam penelitian ini adalah memperoleh hasil identifikasi dan klasifikasi spesies kupu-kupu. Proses evaluasi dilakukan terhadap hasil yang diperoleh dengan menggunakan metode mean Average Precision (mAP), precision dan Recall.
∑ (1)
(2)
(3) TP(True Positif) merupakan kondisi ketika model klasifikasi bernilai benar dan kondisi sebenarnya adalah benar, TN (True Negatif) kondisi ketika model klasifikasi bernilai benar dan nilai sebenarnya adalah salah, FP (False Positif) kondisi ketika model klasifikasi bernilai salah dan nilai sebenarnya adalah benar, FN (False Negatif) kondisi Ketika model klasifikasi bernilai salah dan nilai sebenarnya adalah salah.
3. HASIL DAN PEMBAHASAN 3.1 Hasil
Berdasarkan uraian diatas, proses pengumpulan data dalam penelitian ini telah dilakukan dan memperoleh 200 dataset untuk spesies Myrina dan 200 dataset untuk spesies helena. Dataset dibagi menjadi sata training dan data testing yang dimana masing-masing 80%
dan 20%. Dataset yang telah diperoleh akan diproses pada tahapan preprocessing augmentasi image. Gambar akan diperbanyak yang awalnya dataset terdiri dari 400 akan diubah menjadi 1000 data set. Hasil proses augmentasi image dapat dilihat pada Gambar 6.
Gambar 6. Hasil Augmentasi Image pada Dataset
Proses Augmentasi Image melalui proses resize citra kupu-kupu. Resize akan mengubah ukuran piksel dari citra. Setiap citra hasil cropping deteksi spesies kupu-kupu memiliki ukuran piksel yang berbeda-beda sehingga dapat memudahkan dalam proses identifikasi. Setelah gambar diperbanyak hingga pada ukuran yang paling jelas untuk dapat diidentifikasi maka gambar tersebut akan diproses menuju Labelling. Proses Labelling akan dilakukan dengan menggunakan sistem, setiap gambar akan diberikan label sesuai dengan klasifikasi yang akan digunakan. Klasifikasi dalam penelitian ini terdiri atas dua yaitu Spesies Myrina dan Helena.
Setiap gambar akan diberikan koordinat ground-truth bounding box satu persatu, nilai tersebut akan dibandingkan dengan predicted bounding box. Dengan melakukan perbandingan kedua nilai maka akan diperoleh nilai Intersection over Union (IoU). Nilai IoU adalah nilai yang terdiri dari 0 hingga 1, semakin tinggi IoU yang diperoleh maka semakin baik dalam proses identifikasi. Proses labelling dapat dilihat seperti yang terlihat pada Gambar 7.
Gambar 7. Hasil Proses Labelling
Proses selanjutnya adalah training dimana proses ini berlangsung selama 10 jam dengan training menggunakan 1000 maksimal batch, dengan img size 1000 dan batch size 16 dengan jumlah kelas sebanyak dua. Gambar 6 menampilkan grafik dari hasil training YOLOv7.
Berdasarkan grafik tersebut, mAP terbaik yang diperoleh YOLOv9 sebesar 90%. Grafik hasil
250
implementasi peningkatan metode YOLOv7 dengan Augmentasi Image dapat dilihat pada Gambar 8.
Gambar 8. Grafik Mean Average Precision(mAP)
Sistem yang telah dibuat diimplementasikan dengan menggunakan salah satu gambar dari spesies kupu-kupu. Berdasarkan implementasi yang dilakukan sistem dapat melakukan pendeteksian spesies kupu-kupu memperoleh output hasil deteksi nilai mAP sebesar 83% pada jumlah iterasi 250. Dengan jumlah iterasi yang cukup kecil metode YOLOv7 telah memperoleh hasil yang cukup baik. Implementasi selanjutnya adalah menggunakan iterasi yang lebih banyak dari sebelumnya dengan waktu eksekusi yang lebih lama dibanding sebelumnya dengan hasil mAP yang meningkat yaitu 89%. Pada akhir analisis dengan 1000 iterasi peningkatan sebesar 90 % dan predicted time 655,11 milliseconds. Nilai mAP 90% adalah nilai yang tertinggi dari ketiga proses yang dilakukan. Proses identifikasi dan klasifikasi spesies kupu-kupu dengan metode YOLOv7 dapat dilihat pada Gambar 9.
Gambar 9. Implementasi Metode YOLOv7
83%
89%
90%
80%
85%
90%
95%
100%
250 500 1000
Iterasi
mean Average Precision(mAP)
Penelitian ini melakukan perbandingan hasil yang diperoleh oleh peneliti dan hasil yang diperoleh oleh penelitian sebelumnya. Beberapa peneliti sebelumnya dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan Hasil mAP
Peneliti Sebelumnya mAP Precison Recall Pembuatan Modul Deteksi Objek Manusia
Menggunakan Metode YOLO untuk Mobile Robot[16]
87,03% 83% 86%
Tinier-YOLO: A Real-Time Object Detection Method for Constrained Environments[17]
72,4% - -
Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions[18]
73,23% - -
Berdasarkan hasil penelitian yang telah dilakukan dari proses analisis dapat dilihat bahwa metode YOLO kinerja yang cukup baik dalam melakukan proses identifikasi hingga pada proses klasifikasi. Nilai mAP pada penelitian sebelumnya yaitu 72,4%, 73,2% dan 87,03%. Dari beberapa penelitian sebelumnya dan penelitian yang dilakukan saat ini metode YOLO memiliki nilai mAP yang cukup tinggi. Penelitian sebelumnya melakukan proses deteksi dengan objek yang berbeda-beda, begitu pun pada penelitian ini metode YOLOv7 dilakukan dalam proses identifikasi dan klasifikasi kupu-kupu spesies Myrina dan Helena. Berdasarkan hasil yang diperoleh proses Augmentasi Image memiliki dampak yang cukup baik pada metode YOLO, terlihat bahwa jika dibandingkan dengan penelitian sebelumnya nilai mAP pada penelitian ini lebih unggul. Nilai mAP tertinggi pada penelitian sebelumnya yaitu 87,03%
dengan hasil penelitian yang dilakukan memiliki mAP 90% maka perbedaan keduanya mencapai 2,97%.
4. KESIMPULAN DAN SARAN 4.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan maka diperoleh kesimpulan sebagai berikut:
a. Proses klasifikasi spesies kupu-kupu Myrina dan Helena pada Taman Nasional Bantimurung Bulusaraung menggunakan metode YOLOv7 terbukti dapat bekerja dengan baik dan dapat diimplementasikan sebagai sistem informasi edukasi kepada masyarakat dan pengunjung taman nasional.
b. Hasil training setiap kelas dengan metode YOLOv7 memperoleh nilai mAP sebesar 90%
pada jumlah dataset 1000 dan maksimal iterasi 1000.
c. Proses Augmentasi Image dalam proses identifikasi Objek memiliki pengaruh yang cukup signifikan. Proses Augmentasi Image dikombinasikan dengan metode YOLOv7 memberikan peningkatan sebesar 2,97%.
4.2 Saran
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat diberikan saran guna pengembangan sistem kedepannya:
a. Perlu untuk melakukan pengembangan pada metode YOLOv7 untuk dapat mengatasi lamanya proses training yang dilakukan.
b. Melakukan klasifikasi lebih dari dua kelas untuk memberikan sistem informasi yang lebih lengkap kepada masyarakat dan pengunjung taman nasional.
252
DAFTAR PUSTAKA
[1] A. Arfan, Suprapta, and N. Hikmah, “Pengelolaan Kawasan Taman Nasional Bantimurung Bulusaraung Dalam Perspektif Etnoekologi (Studi Kasus Kelurahan Kalabbirang),” Sainsmat, Vol. 7, No. 1, pp. 25–33, 2018.
[2] F. Ansari, Y. Jeong, I. A. S. L. P. Putri, and S. Il Kim, “Sociopsychological Aspects of Butterfly Souvenir Purchasing Behavior At Bantimurung Bulusaraung National Park in Indonesia,” Sustain., Vol. 11, No. 6, p. 1789, 2019.
[3] S. N. Aminah, A. Nasruddin, T. Abdullah, and Fatahuddin, “Butterfly Abundance and Presence of Their Host Plant At Bantimurung-Bulusaraung National Park, Indonesia,”
IOP Conf. Ser. Earth Environ. Sci., Vol. 486, No. 1, 2020.
[4] I. A. S. L. P. Putri, “Handicraft of Butterflies and Moths (Insecta: Lepidoptera) in Bantimurung Nature Recreation Park and Its Implications On Conservation,”
Biodiversitas, Vol. 17, No. 2, pp. 823–831, 2016.
[5] B. Jurnal, B. Makassar, L. Di, and T. Nasional, “Biodiversity of Butterfly based Environmental Conservation At Bantimurung-Bulusaraung National Park,” Vol. 4, No.
September 2017, pp. 145–152, 2019.
[6] I. N. Siryayasa, M. Z. Badollahi, and Rifal, “Manajemen dan Sejarah Pengelolaan Taman Wisata Bantimurung di Kabupaten Maros Sulawesi Selatan,” J. Pendidik. Sej., Vol. 2, No. 1, pp. 1–15, 2020.
[7] T. S. Bertia Dewi, Afreni Hamidah, Keanekaragaman Kupu-kupu di Kabupatem Kerinci dan Sekitarnya. Jambi, 2023.
[8] Eni, “Keanekaragaman Jenis Kupu-kupu di Lahan Budidaya Goalpara-Perbawati Kabupaten Sukabumi,” Bioekspermen Penelit. Biol., Vol. 9, No 1, pp. 66–79, 2023.
[9] Suwarno, I. Hanum, Y. Yasmin, S. Rasnovi, and Dahelmi, “Diversity and Abundance of butterfly (Lepidoptera rhopalocera) in The City Garden of Banda Aceh, Indonesia,”
Ecol. Environ. Conserv. J., Vol. 24, No. 3, pp. 1009–1017, 2018.
[10] R. Koneri, M. J. Nangoy, P. V. Maabuat, and Wakhid, “Butterfly Species in Bogani Nani Wartabone National Park, North Sulawesi, Indonesia,” Biodiversitas, Vol. 24, No. 2, pp.
1242–1251, 2023.
[11] I. Salamah, M. R. A. Said, and S. Soim, “Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (YOLO) Untuk Presensi Mahasiswa,” Vol. 6, pp. 1492–
1500, 2022.
[12] A. Harun, “Implementasi Deep Learning Menggunakan Metode You Onlylook Once Untuk Mendeteksi Rokok,” J. Media Inform. Budidarma, Vol. 7, No. 1, pp. 1–13, 2023.
[13] P. A. Widjaja and J. R. Leonesta, “Determining Mango Plant Types Using YOLOv4,”
Formosa J. Sci. Technol., Vol. 1, No. 8, pp. 1143–1150, 2022.
[14] F. Wan, C. Sun, H. He, G. Lei, L. Xu, and T. Xiao, “YOLO-LRDD: a Lightweight Method For Road Damage Detection Based On Improved YOLOv5s,” EURASIP J. Adv.
Signal Process., Vol. 2022, No. 1, 2022.
[15] K. A. Baihaqi and C. Zonyfar, “Deteksi Lahan Pertanian yang Terdampak Hama Tikus Menggunakan Yolo v5,” Syntax J. Inform., Vol. 11, No. 02, pp. 1–9, 2022.
[16] K. Khairunnas, E. M. Yuniarno, and A. Zaini, “Pembuatan Modul Deteksi Objek Manusia Menggunakan Metode YOLO Untuk Mobile Robot,” J. Tek. ITS, Vol. 10, No. 1, 2021.
[17] W. Fang, L. Wang, and P. Ren, “Tinier-YOLO: A Real-Time Object Detection Method for Constrained Environments,” IEEE Access, Vol. 8, pp. 1935–1944, 2020.
[18] W. Liu, G. Ren, R. Yu, S. Guo, J. Zhu, and L. Zhang, “Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions,” Proc. 36th AAAI Conf. Artif. Intell. AAAI 2022, Vol. 36, pp. 1792–1800, 2022.
