Detail Cantuman

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra yang mampu mengenali 10 jenis spesies hewan primata secara akurat melalui pemanfaatan teknik data augmentation dan optimasi hyperparameter. Dataset yang digunakan terdiri dari citra primata yang diperoleh dari kaggle kemudian dibagi menjadi data latih, validasi, dan uji. Proses data augmentation diterapkan untuk meningkatkan variasi citra, meliputi rotasi, translasi, zoom, flipping, dan penyesuaian kecerahan, sehingga model menjadi lebih robust terhadap perbedaan kondisi pencahayaan, sudut pandang, dan latar belakang. Model klasifikasi yang digunakan berbasis Convolutional Neural Network (CNN) dengan arsitektur Inception-ResNet v2. Penyetelan hyperparameter dilakukan dengan mengatur learning rate, ukuran batch, serta metode optimizer untuk memperoleh kinerja optimal. Hasil pengujian menunjukkan bahwa kombinasi data augmentation yang tepat dan pemilihan hyperparameter yang optimal mampu meningkatkan akurasi model secara signifikan, dengan akurasi tertinggi mencapai 99,24% pada data uji. Penelitian ini membuktikan bahwa strategi augmentasi dan tuning hyperparameter berperan penting dalam meningkatkan performa model klasifikasi citra primata, sekaligus memberikan kontribusi pada bidang konservasi dan pemantauan keanekaragaman hayati.