Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning
Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning
Deep Learning Tingkat: Intermediate Versi 1.0.0 13 Dilihat
5.0 (0 ulasan)

Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning

Teknologi: Python Flask TensorFlow JavaScript Tailwind CSS Scikit-Learn Pandas NumPy Keras MobileNetV2 Pillow Jupyter Notebook Transfer Learning Matplotlib Seaborn HTML5
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Ordo Lepidoptera (kupu-kupu dan ngengat) merupakan kelompok serangga yang memegang peran sentral dalam menjaga keseimbangan ekosistem bumi, baik sebagai agen penyerbuk alami (pollinator) tanaman berbunga maupun sebagai bioindikator sensitif terhadap perubahan iklim dan degradasi lingkungan. Namun, keanekaragaman hayati Lepidoptera yang luar biasa luas menghadirkan tantangan taksonomi yang sangat kompleks.

Terdapat ratusan spesies yang memiliki corak sayap rumit, variasi warna berdasarkan musim (seasonal polyphenism), dimorfisme seksual antara jantan dan betina, hingga fenomena kemiripan kamuflase evolusioner (Batesian & Müllerian mimicry). Salah satu contoh klasik adalah kemiripan visual ekstrem antara kupu-kupu Monarch (Danaus plexippus) dan Viceroy (Limenitis archippus). Mengidentifikasi spesies secara manual memerlukan keahlian entomologi tingkat lanjut dan buku kunci determinasi yang tebal, sehingga menyulitkan peneliti biologi pemula, petugas taman nasional, aktivis konservasi, dan pegiat ekowisata di lapangan.

Solusi & Nilai Tambah Sistem

Produk ini menghadirkan LepidopteraAI — Sistem Klasifikasi Spesies Kupu-Kupu Berbasis Deep Learning, aplikasi visi komputer cerdas yang dirancang untuk mengidentifikasi taksa Lepidoptera secara cepat, akurat, dan mudah digunakan:

  1. Model Deep Learning Mutakhir (MobileNetV2 Transfer Learning): Mengadopsi arsitektur Inverted Residuals and Linear Bottlenecks berbobot pre-trained ImageNet, memungkinkan ekstraksi fitur visual sayap secara mendalam dengan beban komputasi yang sangat ringan dan inferensi super cepat (<30 milidetik per citra pada CPU standar).
  2. Dataset Masif 13.594 Citra Terverifikasi: Dilatih menggunakan 13.594 citra asli yang mencakup 100 spesies kupu-kupu dan ngengat dunia dengan pembagian stratified 80% train (10.875 citra), 10% validation (1.359 citra), dan 10% test (1.360 citra). Model mencatatkan akurasi pengujian sebesar 87.35% dengan Macro & Weighted F1-Score sebesar 0.87.
  3. Penyajian Distribusi Top-5 Probabilitas: Tidak hanya menghasilkan satu tebakan tunggal, sistem menyajikan 5 prediksi teratas (Top-5 Ranked Probabilities) secara transparan untuk membantu pengguna mengevaluasi kemungkinan spesies kerabat dekat atau variasi mimikri.
  4. Antarmuka Web Modern LepidopteraAI: Dibangun dengan antarmuka elegan Tailwind CSS bernuansa ungu royal (Royal Purple), mendukung unggah file gambar, kartu sampel uji cepat 1-klik, dan modul ensiklopedia 100 spesies terintegrasi.
Fitur Utama Platform
  • Klasifikasi 100 Spesies Kupu-Kupu & Ngengat: Mengenali 100 taksa Lepidoptera dunia (mulai dari Blue Morpho, Monarch, Atlas Moth, Peacock, Adonis, Cairns Birdwing, hingga Zebra Long Wing).
  • Visualisasi Top-5 Probabilitas Interaktif: Menampilkan persentase tingkat keyakinan model secara berurutan dalam bentuk bilah progress berwarna dinamis.
  • Galeri 8 Sampel Uji Cepat (1-Klik): Pengujian instan dengan 8 foto spesies populer beresolusi tinggi tanpa perlu repot mencari file di komputer.
  • Ensiklopedia Taksonomi 100 Spesies Terintegrasi: Akses cepat ke seluruh daftar taksa ilmiah yang didukung oleh model melalui berkas classes.json.
  • RESTful JSON API Terintegrasi: Endpoint /predict, /api/classes, dan /health yang siap dikonsumsi oleh aplikasi mobile (Android/iOS), website portal konservasi, atau bot identifikasi lapangan.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

Penyerapan & Validasi 13.594 Citra Lepidoptera

Memuat dan memvalidasi integritas 13.594 citra dari 100 spesies kupu-kupu dan ngengat dunia, memastikan ketiadaan berkas korup, serta membagi dataset secara stratified (80:10:10).

13.594 Citra | 100 Spesies | Stratified Splitting
2 DATA AUGMENTATION

Augmentasi Citra In-Memory Real-Time

Menerapkan variasi rotasi (10°), zoom (0.2), shear (0.2), fluktuasi pencahayaan (0.4–1.5), pergeseran lebar/tinggi (0.1), dan horizontal flip via ImageDataGenerator untuk mencegah overfitting.

Keras ImageDataGenerator | Batch Size: 32
3 TRANSFER LEARNING

Ekstraksi Fitur MobileNetV2 (Pre-Trained ImageNet)

Memanfaatkan jaringan konvolusi MobileNetV2 yang telah dipra-latih pada ImageNet dengan membekukan (freeze) layer konvolusi dasar guna mempertahankan representasi fitur visual tingkat rendah.

MobileNetV2 | Input Resolution: (224, 224, 3)
4 CUSTOM CLASSIFIER

Perakitan Top Head Classifier & Regularisasi Dropout

Menambahkan lapisan GlobalAveragePooling2D, Dense Layer 128 unit (aktivasi ReLU), Dropout 0.5 untuk mitigasi overfitting, serta Dense Layer 100 unit dengan aktivasi Softmax untuk klasifikasi multi-kelas.

Dense(128) + Dropout(0.5) + Softmax(100)
5 MODEL OPTIMIZATION

Pelatihan Adam Optimizer & Early Stopping Callback

Mengoptimasi model menggunakan Adam (learning rate 0.001), loss categorical crossentropy, dan callback EarlyStopping dengan pemulihan bobot terbaik hingga mencapai akurasi uji 87.35%.

EarlyStopping(patience=5) | Test Accuracy: 87.35%
6 WEB DEPLOYMENT

Orkestrasi Web Dashboard Flask & RESTful API

Mengemas model ke dalam format TensorFlow SavedModel produksi dan menyajikannya melalui server Flask responsif dengan antarmuka Tailwind CSS bertema LepidopteraAI.

Flask Engine | Tailwind CSS UI | RESTful API /predict
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

25 Berkas Proyek 3 Folder Utama
variables.data-00000-of-00001 18.63 MB
data-00000-of-00001 Pratinjau
variables.index 29.08 KB
fingerprint.pb 96 B
saved_model.pb 1.52 MB
adonis.jpg 29.25 KB
african_giant_swallowtail.jpg 23.67 KB
atlas_moth.jpg 26.18 KB
blue_morpho.jpg 22.62 KB
monarch.jpg 28.79 KB
peacock.jpg 29.15 KB
ulyses.jpg 21.69 KB
zebra_long_wing.jpg 23.28 KB
hero_appollo.jpg 30.9 KB
hero_butterfly.jpg 29.43 KB
hero_cairns.jpg 26.61 KB
hero_monarch.jpg 35.08 KB
hero_morpho.jpg 29.43 KB
hero_peacock.jpg 26.73 KB
hero_zebra.jpg 19.73 KB
index.html 79.03 KB
app.py 6.49 KB
butterfly-classification.ipynb 59.49 MB
Notebook Pratinjau
classes.json 2.04 KB
link full project.txt 82 B
requirements.txt 279 B

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi)

Optimal untuk running service

Penyimpanan
1 GB ruang disk kosong untuk source code, bobot SavedModel, dan sampel

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 13 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, TensorFlow, JavaScript
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.