Klasifikasi Kehadiran Satwa pada Citra Kamera Jebak Taman Nasional Menggunakan Convolutional Neural Network dan Random Forest

Haezer, Eben (2025) Klasifikasi Kehadiran Satwa pada Citra Kamera Jebak Taman Nasional Menggunakan Convolutional Neural Network dan Random Forest. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (803kB)
	PDF BAB_I.pdf Download (212kB)
	PDF BAB_II.pdf Download (530kB)
	PDF BAB_III.pdf Download (806kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (262kB)
	PDF DAFTAR_PUSTAKA.pdf Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (453kB)
	Archive (ZIP) CREATION_FILE.zip Download (2MB)

Abstract

Pemantauan satwa liar menggunakan kamera jebak menghasilkan ribuan citra yang sebagian besar berupa gambar kosong atau berkualitas rendah, sehingga proses identifikasi manual menjadi tidak efisien dan berpotensi menunda pengambilan keputusan konservasi. Dalam konteks proyek konservasi berskala menengah, keterbatasan jumlah data berlabel dan sumber daya komputasi membuat dibutuhkannya pipeline klasifikasi kehadiran satwa yang efektif namun tetap mudah direplikasi. Penelitian ini bertujuan memodelkan kehadiran satwa dari citra kamera jebak National Park, dengan delapan kelas target yang mencakup tujuh kelompok satwa dan satu kelas kosong (blank). Pendekatan yang digunakan mengikuti kerangka CRISP-DM, mulai dari pemahaman masalah dan data, data preparation, pra-pemrosesan citra (penyaringan kualitas berdasarkan tingkat blur, peningkatan citra, normalisasi, dan resizing), hingga pemodelan dan evaluasi. Tiga arsitektur Convolutional Neural Network, yaitu ResNet50, EfficientNetB0, dan MobileNetV3-Large, dimanfaatkan sebagai feature extractor dan digabungkan dengan algoritma Random Forest sebagai klasifikator akhir. Hasil eksperimen menunjukkan bahwa kombinasi CNN dan Random Forest mampu mengklasifikasikan kehadiran satwa pada delapan kelas dengan performa yang konsisten pada berbagai kelompok satwa. Model berbasis ResNet50 memberikan kinerja keseluruhan terbaik, sedangkan EfficientNetB0 dan MobileNetV3-Large menawarkan kompromi yang lebih efisien secara komputasi dan relevan untuk skenario deployment pada sumber daya terbatas. Penelitian ini menyimpulkan bahwa pipeline yang diusulkan dapat menjadi dasar pengembangan sistem pemantauan satwa otomatis berbasis kamera jebak yang dapat direplikasi pada proyek konservasi serupa.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Haezer, Eben (00000055583)
Contributors:	Amri, Mahfudz (0310058509)
Keywords:	Convolutional Neural Network, Kamera Jebak, Klasifikasi Hewan
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Jan 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/43159

Actions (login required)

View Item