PENERAPAN CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI SPESIES BURUNG HAMA PEMAKAN BIJI-BIJIAN PADA LAHAN PADI

Purnama, Rahmat Hanif and Syahputri, Rahmalia (2026) PENERAPAN CONVOLUTIONAL NEURAL NETWORK UNTUK IDENTIFIKASI SPESIES BURUNG HAMA PEMAKAN BIJI-BIJIAN PADA LAHAN PADI. Skripsi thesis, Institut Informatika Dan Bisnis Darmajaya.

	Text Cover.pdf Download (238kB)
	Text Halaman Pernyataan .pdf Download (445kB)
	Text Halaman Persetujuan.pdf Download (789kB)
	Text Halaman Pengesahan.pdf Download (738kB)
	Text Abstrak.pdf Download (778kB)
	Text Daftar isi.pdf Download (179kB)
	Text BAB 1.pdf Download (226kB)
	Text BAB 2.pdf Download (751kB)
	Text BAB 3.pdf Download (323kB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (199kB)
	Text Daftar Pustaka.pdf Download (168kB)
	Text Lampiran.pdf Download (2MB)

Abstract

Burung hama pemakan biji-bijian seperti pipit dan bondol sering menyerang lahan padi dan menyebabkan penurunan hasil panen. Sistem pengusiran yang ada saat ini kurang efektif karena hanya mendeteksi keberadaan burung tanpa membedakan jenisnya. Penelitian ini bertujuan mengembangkan model identifikasi otomatis berbasis Convolutional Neural Network untuk mengenali spesies burung hama pemakan biji-bijian secara spesifik. Model dikembangkan menggunakan arsitektur EfficientNetB0 dengan pendekatan transfer learning dari ImageNet. Dataset terdiri dari 2.112 gambar yang dikumpulkan dari eBird.org mencakup empat spesies target yakni Bondol Jawa (Lonchura leucogastroides), Bondol Peking (Lonchura punctulata), Bondol Haji (Lonchura maja), dan Pipit (Passer montanus), serta satu kelas unknown (burung non-hama), yang dibagi menjadi 70% data latih dan 30% data validasi. Data uji lapangan sebanyak 18 gambar diambil langsung dari persawahan di Gedong Tataan, Pesawaran, Lampung. Augmentasi data diterapkan untuk meningkatkan variasi dan mencegah overfitting. Hasil penelitian menunjukkan model mencapai akurasi training 96,2% dan validasi 82,2% dalam 24 epoch. Cross-validation menunjukkan akurasi rata-rata 84,70% dengan AUC macro 0,9724. Bondol Haji memiliki akurasi tertinggi (87,3%), sedangkan Bondol Peking sering teridentifikasi keliru dengan spesies lain. Pengujian lapangan menghasilkan akurasi 50,88%, yang menyoroti tantangan variabilitas lingkungan di kondisi nyata. Secara keseluruhan, model ini menunjukkan performa yang kuat pada data validasi dan berpotensi menjadi dasar pengembangan sistem smart farming untuk pengendalian hama yang lebih efektif di lahan padi.

Item Type:	Thesis (Skripsi)
Subjects:	Ilmu Komputer eSkripsi
Divisions:	Skripsi/TA & PKPM/KP - Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Rahmat Hanif Purnama
Date Deposited:	06 Jan 2026 01:26
Last Modified:	06 Jan 2026 01:26
URI:	http://repo.darmajaya.ac.id/id/eprint/23315

Actions (login required)

View Item