Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning
Demo & Pengujian Sistem: Klasifikasi Spesies Kupu-Kupu Menggunakan MobileNetV2 Berbasis Deep Learning
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:
- 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).
- 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.
- 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.
- 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/healthyang siap dikonsumsi oleh aplikasi mobile (Android/iOS), website portal konservasi, atau bot identifikasi lapangan.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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).
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.
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.
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.
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%.
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.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
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.
Belum ada ulasan untuk project ini.
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