KLASIFIKASI SPESIES ULAR MENGGUNAKAN DEEP LEARNING DENGAN ARSITEKTUR EFFICIENTNETV2S

Putra, Rizqi Ananta Ekta (2025) KLASIFIKASI SPESIES ULAR MENGGUNAKAN DEEP LEARNING DENGAN ARSITEKTUR EFFICIENTNETV2S. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 1 - Naskah_Skripsi_123210023_Rizqi.pdf Download (4MB)
	Text 2 - Halaman Pengesahan Pembimbing.pdf Download (2MB)
	Text 3 - Halaman Pengesahan Penguji.pdf Download (283kB)
	Text 3 - Halaman Pengesahan Penguji.pdf Download (283kB)
	Text 4 - Abstrak.pdf Download (246kB)
	Text 5 - Cover.pdf Download (171kB)
	Text 6 - Daftar Isi.pdf Download (298kB)
	Text 7 - Daftar Pustaka.pdf Download (209kB)

Abstract

ABSTRAK
Di wilayah tropis, memiliki banyak keanekaragaman reptil dari berbagai spesies ular.
Di Indonesia sendiri jumlah korban akibat gigitan ular terus mengalami peningkatan. Pada
tahun 2017, tercatat 35 orang meninggal dunia karena gigitan ular, angka ini naik menjadi
47 orang pada 2018, dan kembali meningkat 54 orang pada 2019. Pada tahun 2020 bulan
Januari hingga 2021, gigitan ular di seluruh Indonesia tercatat sekitar 627 kasus, 62 orang
merupakan jumlah korban meninggal dunia. Gigitan ular berbisa memicu racun dapat
memberikan dampak bahaya bagi tubuh manusia, dimulai dari mengganggu fungsi
pernapasan, gangguan pendarahan, hingga dapat menyebabkan disabilitas permanen.
Klasifikasi ular digunakan dalam membantu manusia untuk mengidentifikasi spesies ular,
menggunakan klasifikasi ini dapat mengurangi resiko gigitan ular berbisa bagi manusia dan
dapat mendukung menjaga ekosistem ular.
EfficientNet adalah salah satu arsitektur Convolutional Neural Network (CNN) dalam
bidang deep learning digunakan pada pemrosesan dan pengenalan gambar. Dengan
menerapkan transfer learning dari EfficientNetV2S yang terlatih sebelumnya pada dataset
ImageNet. Selanjutnya pra-pemrosesan data dengan melakukan beberapa proses augmentasi
yaitu rotation range, zoom range, shear range, width, height, dan horizontal flip, serta
perubahan ukuran citra menjadi 384 x 384 piksel dan normalisasi piksel (rescale).
Implementasi dilakukan dengan membekukan sebagian besar layer awal dari model pre
trained EfficientNetV2S. Pendekatan ini menggunakan bobot awal dari ImageNet dan
memungkinkan model melakukan fine-tuning untuk menyesuaikan dengan data spesifik.
Pengujian dilakukan dengan jumlah epoch 20 dengan optimizer Adam dan learning rate
0,0001.
Hasil penelitian ini, dapat disimpulkan dengan penerapan arsitektur EfficientNetV2S
telah berhasil membangun sistem identifikasi spesies ular yang dapat diandalkan secara
otomatis dan akurat. Penelitian ini tidak hanya berhasil menerapkan Convolutional Neural
Network (CNN) dengan arsitektur EfficientNetV2S untuk membedakan ular berbisa dan tidak
berbisa, tetapi juga membuktikan bahwa model ini mampu mencapai akurasi testing 93,12%
klasifikasi berdasarkan dataset yang tersedia. Dengan akurasi training dan validasi yang
konsisten di atas 90% dan nilai loss yang terus menurun, sistem menunjukkan kemampuan
belajar yang efektif tanpa indikasi overfitting yang signifikan.
Kata Kunci: Ular, Klasifikasi, Deep Learning, CNN, Transfer Learning, EfficientNetV2S
vi
ABSTRACT
Tropical regions are home to a rich diversity of reptiles, including numerous snake
species. In Indonesia, the number of victims from snakebites has continued to rise. In 2017,
35 fatalities were recorded, increasing to 47 in 2018, and rising again to 54 in 2019. From
January 2020 to 2021, there were approximately 627 reported snakebite cases nationwide,
with 62 resulting in death. Bites from venomous snakes can have serious consequences for
human health, including respiratory failure, bleeding disorders, and even permanent
disability. Snake classification plays an important role in helping people identify snake
species, which can significantly reduce the risk of venomous bites and support efforts to
preserve snake biodiversity.
EfficientNet is a Convolutional Neural Network (CNN) architecture widely used in
image recognition and processing tasks within the field of deep learning. In this study,
transfer learning was applied using the EfficientNetV2S model pre-trained on the ImageNet
dataset. The image data underwent several preprocessing and augmentation steps, including
rotation, zooming, shearing, width and height shifts, horizontal flipping, resizing to 384 ×
384 pixels, and pixel normalization. Most of the early layers of the EfficientNetV2S model
were frozen to retain their learned weights, allowing fine-tuning to adapt to the specific
dataset used in this study. The training was conducted for 20 epochs using the Adam
optimizer with a learning rate of 0.0001.
The results show that the use of the EfficientNetV2S architecture successfully built a
reliable and accurate automated snake species identification system. Not only was the model
able to distinguish between venomous and non-venomous snakes using CNN techniques, but
it also achieved a test accuracy of 93.12% based on the available dataset. With both training
and validation accuracy consistently above 90%, and steadily decreasing loss values, the
system demonstrated effective learning performance without significant signs of overfitting.
Keywords: Snake Identification, Classification, Deep Learning, CNN, Transfer
Learning, EfficientNetV2S
vii

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Snake Identification, Classification, Deep Learning, CNN, Transfer Learning, EfficientNetV2S
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eko Yuli
Date Deposited:	16 Oct 2025 06:26
Last Modified:	16 Oct 2025 06:26
URI:	http://eprints.upnyk.ac.id/id/eprint/44480

Actions (login required)

View Item