34 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
Klasifikasi Jenis Burung Menggunakan Metode CNN Dan Arsitektur ResNet-50
Joseph Alberto*1, Dedy Hermanto2
1,2Universitas Multi Data Palembang; Jl. Rajawali 14, (30113) Palembang – Sumatera Selatan, (0711) 376 400
3Fakultas Ilmu Komputer dan Rekayasa Jurusan Informatika e-mail: *1[email protected], 2[email protected]
Abstrak
Burung adalah anggota kelompok hewan bertulang belakang yang memiliki bulu dan sayap. Keaneka ragaman burung di Indonesia terdapat banyak sekali sehingga sulit untuk membedakan jenis-jenis burung tertentu. Namun dengan berkembangnya teknologi pada masa kini, sekarang kita dapat membedakan jenis burung dengan teknologi. Klasifikasi burung dapat dilakukan untuk membedakan beraneka ragam jenis burung yang ada di Indonesia sehingga untuk membedakan burung yang sekilas terlihat mirip akan lebih efektif dengan adanya pengklasifikasian ini. Pada penelitian ini dilakukan pengklasifikasian terhadap jenis burung menggunakan dataset 400 Bird Species – Classification yang sudah di filter hanya untuk burung di Indonesia dan diperoleh dataset berjumlah 63 jenis burung dengan total 9.445 citra yang tediri dari 8.185 citra latih dan 1.260 citra uji. Klasifikasi jenis burung ini dilakukan dengan menggunakan metode CNN, model dibentuk dengan menggunakan arsitektur ResNet- 50. Selanjutnya dilakukan proses training dengan optimizer ADAM dan SGD untuk dilihat hasil yang paling maksimal, dan didapat nilai Accuracy 98% dengan optimizer SGD dengan 10 epoch.
Kata kunci: Klasifikasi Jenis Burung, ResNet-50, Burung Indonesia, CNN, ADAM, SGD
Abstract
Birds are members of a group of vertebrate animals that have feathers and wings.
There is so much diversity of birds in Indonesia that it is difficult to distinguish certain types of birds. However, with the development of technology today, we can now distinguish between types of birds and technology. Classification of birds can be done to distinguish the various types of birds that exist in Indonesia so that to distinguish birds that at first glance look similar will be more effective with this classification. In this study, bird species were classified using the 400 Bird Species – Classification dataset which was filtered only for birds in Indonesia and obtained a dataset of 63 bird species with a total of 9.445 iamges consisting of 8.185 training images and 1.260 test images. The classification of this bird species was carried out using the CNN method, the model was formed using the ResNet-50 architecture. Furthermore, the training process is carried out with ADAM and SGD optimizers to see the maximum results, and obtained an accuracy value of 98% with the SGD optimizer with 10 epoch.
Keywords: Bird Types Classification, ResNet-50, Indonesian Bird, CNN, ADAM, SGD
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 35
1.PENDAHULUAN
ndonesia adalah negara yang posisinya berada di garis khatulistiwa dan terkenal akan kekayaan alamnya baik jenis flora ataupun fauna. Salah satu kekayaan alam dari jenis fauna Indonesia yang cukup tinggi adalah burung. Jumlah burung yang terdapat di Indonesia yaitu 1.539 jenis burung, merupakan 17 % dari total burung di dunia. Saat ini, jumlah burung yang terdapat di dunia ±9.600 jenis, hampir sekitar 1.111 jenis burung di dunia terancam punah [1].
Menurut Booklet Daftar Burung-burung di Indonesia diketahui terdapat sebanyak 1812 spesies burung yang mediami di wilayah Indonesia. Burung-burung tersebut terklasifikasi ke dalam 24 bangsa (ordo) dan 126 suku (family). Passeriformes (burung kicau) menjadi bangsa yang paling mendominasi keragaman burung di Indonesia yaitu mencapai 944 spesies (52%), disusul bangsa Charadriiformes (115 spesies) dan Columbiformes (109 spesies). Sementara itu, pada tingkat suku, Columbidae menjadi suku dengan jumlah spesies terbanyak yaitu mencapai 109 spesies, diikuti Meliphagidae sebanyak 87 spesies, Psittacidae sebanyak 85 spesies, Muscicapidae sebanyak 78 spesies, dan pada urutan kelima yaitu Accipitridae dengan jumlah 64 spesies [2].
Pada umumnya habitat tempat burung tidak hanya berperan sebagai tempat tinggal saja namun juga merupakan tempat yang menyediakan sumber makanan, air, mineral yang cukup dan sebagai tempat singgah dan berkembang biak, biasanya burung berhabitat di tempat yang ada pepohonan seperti di hutan namun ada juga yang berhabitat tidak dihutan seperti di perkebunan, gua, padang rumput, savana, perairan.
Burung merupakan kelompok hewan vertebrata yang berkembang biak dengan cara kawin, memiliki bulu, warna, dan suara yang indah dan beragam. Banyaknya jenis burung yang berada di suatu tempat sangat dipengaruhi oleh kondisi cuaca yang baik, keanekaragaman jenis tumbuhan dan kondisi habitat tempat burung tersebut berada. Keberadaan burung di suatu habitat sangat berkaitan erat dengan faktor-faktor fisik lingkungan seperti tanah, air, temperatur, cahaya matahari, serta faktor-faktor biologis yang meliputi vegetasi dan satwa lainnya [3].
Berbagai macam jenis burung yang ada di dunia memiliki kebiasaan yang berbeda-beda dalam melahirkan anak nya seperti ada burung yang bertelur lalu menimbun telur
nya di tanah pasir yang bercampur serasah, tanah pasir pantai yang panas. Dan ada juga yang di dekat sumber air panas. Akan tetapi kebanyakan burung membuat sarang, dan menetaskan telurnya dengan mengeraminya di sarang tersebut [4].
Sarang pada burung juga dapat dibuat secara berbeda-beda tergantung pada kebiasaan burung dan bagaimana cara burung hidup serta bagaimana kondisi iklim di tempat burung tersebut. Ada sarang burung yang dapat dibuat dari rumput, ranting dan lain lain. Agak sulit membedakan jenis burung apa, cara hidup nya bagaimana, kebiasaan nya bagaimana, dan informasi mengenai burung tersebut tidak dapat diperoleh yang dimana terkadang ada jenis burung yang sama dari bentuk sampai ciri-ciri bentuk tubuh nya tapi ternyata beda sifat dan juga beda jenis.
Dari penjelasan diatas maka klasifikasi jenis burung dapat dilakukan menggunakan Deep Learning sehingga klasifikasi dapat dengan mudah dilakukan karena adanya bantuan dari komputer. Kelebihan dalam Deep Learning adalah layer yang terdapat di dalam nya, dikarenakan jumlah layer yang banyak maka Deep Learning cocok dipakai sebagai klasifikasi citra yang akan diteliti [4].
Metode yang akan digunakan untuk melakukan klasifikasi adalah CNN, CNN terkenal sebagai salah satu algoritma atau metode Deep Learning yang cukup bagus dan terkenal dalam melakukan klasifikasi citra, di dalam CNN terdapat pooling, feature extraction dan sebagainya.
Masuk ke dalam tahap klasifikasi akan menggunakan CNN-ResNet-50 sehingga nantinya model arsitektur yang akan digunakan adalah CNN digabung dengan ResNet-50, pemilihan ResNet-50 sebagai model arsitektur disebabkan ResNet-50 adalah salah satu model arsitektur
I
36 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
yang mempunyai banyak layer yaitu sampai 50 layer dengan harapan dapat menghasilkan akurasi baik.
Adapun jurnal yang di jadikan referensi atau acuan penelit untuk meneliti, yaitu Klasifikasi Lovebird Berdasarkan Bentuk Kepala Dan Warna Dengan Metode Local Binary Pattern (LBP) Dan Fuzzy Logic dan dari hasil penelitian tersebut mendapatkan hasil yang sangat baik [5].
Ada juga penelitian mengenai Identifikasi Spesies Burung Menggunakan Convolutional Neural Network dan hasil yang didapatkan ditemukan bahwa pelatihan model untuk setiap spesies burung tidak merata, yang mengarah kepada prediksi berlebihan, dan beberapa spesies burung sulit untuk diklasifikasikan [6].
2.PENELITIAN TERKAIT
Terdapat penelitian terkait yang dijadikan acuan pada topik Klasifikasi Jenis Burung di Indonesia menggunakan metode Convolutional Neural Network (CNN), seperti jurnal Convolutional Neural Network Untuk Klasifikasi Suara Burung Skala Luas Di Lingkungan Berisik dimana pada penelitian tersebut menerapkan CNN untuk mengklasifikasikan suara burung berdasarkan audio dan hasil penelitian tersebut menyatakan bahwa pendekatan deep learning cocok untuk tugas tersebut namun penyempurnaan diperlukan untuk mencapai akurasi yang lebih baik [7].
Adapula penelitian tentang Pendekatan Machine Learning untuk Deteksi Burung dimana pada penelitian tersebut dilakukan pendekatan machine learning untuk mendeteksi burung dengan menggunakan alogritma CNN untuk mengenali gambar dan didapatkan kesimpulan penelitian tersebut menyatakan CNN adalah algoritma terbaik untuk mendeteksi objek, dan didapatkan tingkat akurasi yang lebih tinggi 95,52% yang terbaik atas metode lain [8].
Terdapat juga penelitian tentang Pengenalan Spesies Burung menggunakan Support Vector Machines dimana diterapkan algoritma Support Vector Machines (SVM) pada penelitian tersebut untuk melakukan pengenalan terhadap spesies burung dan menunjukan hasil pengenalan untuk dua set data tidak dapat dibandingkan secara langsung karena dataset 2 mencakup lebih banyak spesies dengan spektrum yang lebih besar suara yang berbeda dari dataset 1 [9].
3.METODE PENELITIAN
Berikut Gambar 1 merupakan tahapan-tahapan penelitian yang dilakukan untuk pengklasifikasian jenis burung di Indonesia menggunakan metode Convolutional Neural Network (CNN) arstitektur ResNet-50.
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 37
Gambar 1. Bagan Metode Penelitian
3.1 Identifikasi Masalah
Pada tahap ini dilakukan pengumpulan informasi terkait dengan topik penelitian, dipelajari dalam bentuk jurnal atau buku yang berkaitan dengan klasifikasi jenis burung di Indonesia menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50.
3.2 Pengumpulan Dataset
PerancanganPada tahap ini dilakukan pengumpulan data berupa dataset 400 Bird Species – Classification dimana dataset sifatnya adalah publik. Lalu dataset di filter secara manual hanya untuk burung di Indonesia yang setelah di filter didapatkan jumlah dataset adalah 63 jenis burung berjumlah 9.445 citra, terdiri dari 8.185 data train dan 1.260 data test dapat dilihat pada Gambar 2.
38 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
Gambar 2. Contoh Dataset Burung Indonesia
3.3 Perancangan
Pada bagian ini dilakukan perancangan sistem yang dibutuhkan untuk melakukan penelitian, yaitu penggunaan metode CNN untuk klasifikasi burung berdasarkan citra, dapat dilihat pada Gambar 3.
Gambar 3. Perancangan Untuk Metode CNN
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 39
Dataset yang diperoleh sudah terbagi menajadi data testing yang berjumlah 1.260 dan data training berjumlah 8.185 dan setiap citra memiliki ukuran 224x224 pixel. Tahap selanjutnya adalah melakukan proses pelatihan model terhadap data training yang berupa citra burung dengan metode Convolutional Neural Network yang menggunakan arsitektur ResNet-50 yang akan membentuk sebuah model baru. Setelah proses pelatihan model, maka dilakukan proses pengujian model terhadap data testing berupa citra burung. Setelah proses pengujian selesai akan didapatkan hasil dari pengujian model yang sudah dilatih berupa accuracy, recall, precision, f1-score.
3.4 Implementasi
Pada tahap ini akan dilakukan implementasi perancangan sistem yang sudah dirancang, implementasi dilakukan dengan menggunakan bantuan software Google Colaboratory. Adapun tahapan implementasi dilakukan sebagai berikut.
1. Dataset
Dataset yang digunakan adalah dataset yang sudah di filter secara manual untuk jenis burung Indonesia, dimana didapatkan total 63 jenis burung pada dataset tersebut yang memiliki total citra sejumlah 9.763 terdiri dari 9.133 citra untuk train dan 315 citra untuk test.
2. Training
Setelah dataset di diperoleh, dilakukan pelatihan atau training terhadap dataset train dengan metode Convolutional Neural Network yang menggunakan model arsitektur ResNet-50 untuk membentuk sebuah model.
3. Testing
Pada tahap ini akan dilakukan pengujian dataset testing berjumlah 315 citra terhadap model yang sudah train.
3.5 Laporan Perhitungan Akurasi
Setelah tahap implementasi selesai maka hasil klasifikasi akan dihitung menggunakan Confusion Matrix untuk mendapatkan tingkat keberhasilan dari hasil uji, dimana akan didapatkan sesuai dengan jumlah kelas yang terdapat di dalam dataset [10], dapat dilihat pada Tabel 1.
Tabel 1. Bagian Confusion Matrix Predicted
Positive Negative
ACTUAL
Positive TP (True Positive)
FN (False Negative) Negative FP
(False Positive)
TN (True Negative)
Hasil klasifikasi akan dihitung untuk mendapatkan tingkat keberhasilan dari metode yang sudah ditentukan, dimana akan menghitung nilai Precision, Recall, Accuracy dan F1-score [11].
1. Precision merupakan proporsi kasus dengan hasil positif yang benar. Precision dapat dilihat pada Persamaan (1):
=
(1)
2. Recall merupakan proporsi kasus positif yang diidentifikasi dengan benar. Recall dapat dilihat pada Persamaan (2):
40 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
=
(2)
3. Accuracy merupakan perbandingan kasus yang diidentifikasi benar dengan jumlah semua kasus. Accuracy dapat dilihat pada Persamaan (3):
=
(3)
4. F1-score merupakan harmonic mean dari precision dan recall. F1-score dapat dilihat pada Persamaan (4):
F1 − = 2 × ! "#×$%&&
! "#$%&& (4)
4.HASIL DAN PEMBAHASAN
Berdasarkan hasil uji pada setiap skenario, tidak terdapat perbedaan yang signifikan untuk jumlah epoch yang berbeda, rata-rata akurasi untuk setiap epoch dan optimizer SGD dan Adam memiliki tingkat keberhasilan 97% hingga 98%.
Berikut adalah beberapa hasil pengujian dari beberapa skenario.
1. ResNet-50 Optimizer Adam 10 Epoch
Untuk pengujian dengan skenario ResNet-50 Optimizer Adam 10 Epoch dengan data latih yang jumlah citranya berbeda beda tiap kelas, namun untuk support keseluruhan berjumlah 20 untuk masing-masing kelas, hasil akurasi pengujian diperoleh sebesar 97%, untuk precision 97%, recall 97%, dan f1-score 97% hasil yang diperoleh cukup baik untuk klasfikasi jenis burung dapat dilihat pada Tabel 2 dan Gambar 4.
Tabel 2. Akurasi ResNet-50 Optimizer Adam 10 Epoch
Accuracy 0.97
Macro Avg 0.97 0.97 0.97
Weighted Avg 0.97 0.97 0.97
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 41
Gambar 4. Confusion Matrix ResNet-50 Optimizer Adam 10 Epoch
2. ResNet-50 Optimizer Adam 20 Epoch
Untuk pengujian dengan skenario ResNet-50 Optimizer Adam 20 Epoch dengan data latih yang jumlah citranya berbeda beda tiap kelas, namun untuk support keseluruhan berjumlah 20 untuk masing-masing kelas, hasil rata-rata akurasi yang diperoleh pada pengujian adalah 97% tidak berbeda dengan yang epoch 10, lalu untuk precision 97%, recall 97%, dan f1- score 97% hasil yang diperoleh cukup baik untuk klasfikasi jenis burung dapat dilihat pada Tabel 3 dan Gambar 5.
Tabel 3. Akurasi ResNet-50 Optimizer Adam 20 Epoch
Accuracy 0.97
Macro Avg 0.97 0.97 0.97
Weighted Avg 0.97 0.97 0.97
42 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
Gambar 5. Confusion Matrix ResNet-50 Optimizer Adam 20 Epoch
3. ResNet-50 Optimizer SGD 10 Epoch
Didapatkan akurasi sebesar 98% untuk pengujian dengan skenario ResNet-50 Optimizer SGD 10 Epoch dengan data latih yang jumlah citranya berbeda beda tiap kelas, namun untuk support keseluruhan berjumlah 20 untuk masing-masing kelas, hasil akurasi pengujian diperoleh sebesar 98%, untuk precision 98%, recall 98%, dan f1-score 98% untuk klasfikasi jenis burung dapat dilihat pada Tabel 4 dan Gambar 6.
Tabel 4. Akurasi ResNet-50 Optimizer SGD 10 Epoch
Accuracy 0.98
Macro Avg 0.98 0.98 0.98
Weighted Avg 0.98 0.98 0.98
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 43
Gambar 6. Confusion Matrix ResNet-50 Optimizer SGD 10 Epoch
4. ResNet-50 Optimizer SGD 20 Epoch
Didapatkan akurasi sebesar 97% untuk pengujian dengan skenario ResNet-50 Optimizer Adam 20 Epoch dengan data latih yang jumlah citranya berbeda beda tipa kelas, namun untuk support keseluruhan berjumlah 20 untuk masing-masing kelas, hasil akurasi pengujian diperoleh sebesar 97%, untuk precision didapat 97%, recall 97%, dan f1-score 97% untuk klasfikasi jenis burung dapat dilihat pada Tabel 5 dan Gambar 7.
Tabel 5. Akurasi ResNet-50 Optimizer SGD 20 Epoch
Accuracy 0.97
Macro Avg 0.97 0.97 0.97
Weighted Avg 0.97 0.97 0.97
44 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
Gambar 7. Confusion Matrix ResNet-50 Optimizer SGD 20 Epoch
Maka dari hasil pengujian dapat dianalisa akurasi dari setiap skenario yang dilakukan, berikut adalah rata-rata akurasi yang didapatkan.
Gambar 8. Hasil Rata-rata Akurasi Setiap Skenario
[VALUE] [VALUE]
[VALUE]
[VALUE]
ResNet-50 Adam 10 Epoch
ResNet-50 Adam 20 Epoch
ResNet-50 SGD 10 Epoch
ResNet-50 SGD 20 Epoch
Rata-rata Akurasi
Jatisi ISSN 2407-4322
Vol. 10, No. 3, September 2023, Hal. 34-46 E- ISSN 2503-2933 45
Dapat dilihat dari Gambar 8 hasil perbandingan tersebut menunjukkan akurasi yang didapatkan menggunakan beberapa skenario ini tidak memiliki perbandingan yang signifikan namun diantaranya terdapat akurasi yang tertinggi yaitu adalah ResNet-50 SGD dengan 10 epoch yang memiliki akurasi yaitu 98%.
5.KESIMPULAN
Berdasarkan pada penelitian yang sudah dilakukan untuk klasifikasi jenis burung di Indonesia menggunakan metode CNN, maka di dapatkan kesimpulan bahwa metode CNN menggunakan model arsitektur ResNet-50 dapat diterapkan sebagai metode klasifikasi jenis burung di Indonesia menggunakan optimizer SGD dan Adam di dapatkan akurasi 97% hingga 98% menggunakan Confusion Matrix untuk beberapa scenario yang telah di lakukan dalam penelitian ini, dan di dapat akurasi rata-rata yang tinggi yaitu 97%.
DAFTAR PUSTAKA
[1] Kamal, S., Mahdi, N., & Senja, N. (2015). Keanekaragaman Jenis Burung pada Perkebunan Kopi di Kecamatan Bener Kelipah Kabupaten Bener Meriah Provinsi Aceh.
BIOTIK: Jurnal Ilmiah Biologi Teknologi dan Kependidikan, 73.
https://doi.org/10.22373/biotik.v1i2.216
[2] Burung Indonesia. (2021). Booklet Daftar dan Status Burung 2021.
[3] Yudini, S. (2016). Keanekaragaman Burung pada Berbagai Tipe Habitat di Kecamatan Singkil Sebagai Referensi Pendukung Pembelajaran Materi Keanekaragaman Hayati di
Sekolah Menengah Atas. Euphytica, 18(2), 22280.
http://dx.doi.org/10.1016/j.jplph.2009.07.006%0A
[4] Mastering, S. (2020). Burung dan Perkembangannya.
https://www.smartmastering.com/burung.html
[5] Nurina Shaputri, S., Hidayat, B., & Sunarya, U. (2015). Klasifikasi Lovebird Berdasarkan Bentuk Kepala dan Warna Dengan Metode Local Binary Pattern (LBP) dan Fuzzy Logic Lovebird Classification Based On Head Shape and Colors Using Local Binary Pattern (LBP) Method And Fuzzy Logic. 6(2), 19–24.
[6] Martinsonn, J. (2021). Bird Species Identification Using Convolutional Neural Network.
Lecture Notes on Data Engineering and Communications Technologies, 57, 619–630.
https://doi.org/10.1007/978-981-15-9509-7_50
[7] Tóth, B. P., & Czeba, B. (2016). Convolutional Neural Networks for Large-Scale Bird Song Classification in Noisy Environment. CEUR Workshop Proceedings, 1609, 560–
568.
[8] Mashuk, F., Samsujjoha, Sattar, A., & Sultana, N. (2021). Machine Learning Approach for Bird Detection. Proceedings of The 3rd International Conference on Intelligent
46 Jatisi ISSN 2407-4322 Vol. 10, No. 3, September 2023, Hal. 34-46 E-ISSN 2503-2933
Communication Technologies and Virtual Mobile Networks, ICICV 2021, Icicv, 818–
822. https://doi.org/10.1109/ICICV50876.2021.9388590
[9] Ragib, K. M., Shithi, R. T., Haq, S. A., Hasan, M., Sakib, K. M., & Farah, T. (2020).
PakhiChini: Automatic Bird Species Identification Using Deep Learning. Proceedings of The World Conference on Smart Trends in Systems, Security and Sustainability, WS4 2020, 1–6. https://doi.org/10.1109/WorldS450073.2020.9210259
[10] Solichin. (2017). Mengukur Kinerja Algoritma Klasifikasi Dengan Confusion Matrix.
http://achmatim.net/2017/03/19/mengukur-kinerja-algoritma-klasifikasi-dengan- confusion-matrix/
[11] Prasetyo, E. (2015). Data Mining: Konsep dan Aplikasi Menggunakan MATLAB
