KLASIFIKASI JENIS BURUNG MENGGUNAKAN ENSEMBLE ARSITEKTUR CNN INCEPTIONV3, MOBILENETV2, DAN EFFICIENTNETB0

Klasifikasi jenis burung merupakan tugas penting dalam bidang ekologi dan konservasi, di mana identifikasi yang akurat dari spesies burung dapat membantu dalam upaya pelestarian lingkungan dan pengelolaan keanekaragaman hayati. Dalam penelitian ini, penulis mengevaluasi performa dari tiga arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV2, InceptionV3, dan EfficientNetB0, baik secara individual maupun melalui pendekatan ensemble, untuk mengklasifikasikan spesies burung. Penelitian ini penting dilakukan mengingat ancaman kepunahan yang dihadapi oleh banyak spesies burung, yang sebagian besar disebabkan oleh aktivitas manusia seperti perburuan, perubahan penggunaan lahan, dan kebakaran. Identifikasi spesies yang akurat dapat mendukung langkah-langkah konservasi yang tepat dan membantu dalam pemantauan populasi burung secara efektif. Tujuan dari penelitian ini adalah untuk membandingkan performa tiga model arsitektur CNN dalam klasifikasi spesies burung serta mengevaluasi peningkatan performa setelah dilakukan fine-tuning. Metode yang digunakan melibatkan pelatihan model dengan dataset gambar burung yang telah dilabeli, kemudian melakukan fine-tuning untuk meningkatkan akurasi model. Pendekatan ensemble juga digunakan untuk menggabungkan kekuatan dari masing-masing model. Hasil penelitian menunjukkan bahwa setiap model mengalami peningkatan performa yang signifikan setelah dilakukan fine-tuning. Model MobileNetV2 mencapai akurasi awal sebesar 89% yang meningkat menjadi 95% setelah fine-tuning. Model InceptionV3 menunjukkan peningkatan dari 88% menjadi 97% setelah fine-tuning, dan EfficientNetB0 meningkat dari 89% menjadi 98% setelah fine-tuning. Metrik evaluasi seperti precision, recall, dan F1-score juga menunjukkan peningkatan yang signifikan pada setiap model setelah fine-tuning, mencerminkan kemampuan model yang lebih baik dalam mengklasifikasikan spesies burung dengan akurasi yang tinggi. Pendekatan ensemble yang menggabungkan ketiga model tersebut menghasilkan performa yang lebih baik dibandingkan dengan penggunaan model tunggal. Meskipun hasil ensemble menunjukkan peningkatan performa, peningkatannya tidak signifikan dibandingkan dengan model individu setelah fine-tuning. Akurasi ensemble mencapai 98% setelah fine-tuning, dengan peningkatan pada semua metrik evaluasi. Ini menunjukkan bahwa pendekatan ensemble mampu menangani variasi kompleksitas data dengan lebih baik dan memberikan prediksi yang lebih kuat dan stabil, meskipun peningkatan akurasinya tidak terlalu mencolok.