OPEN-SET RECOGNITION PADA SPESIES TUMBUHAN DI KEBUN RAYA BALIKPAPAN MENGGUNAKAN QUAD-CHANNEL CONTRASTIVE PROTOTYPE NETWORKS DAN MOBILENETV3

Hendrawan, Muhammad Erlangga Putra (2025) OPEN-SET RECOGNITION PADA SPESIES TUMBUHAN DI KEBUN RAYA BALIKPAPAN MENGGUNAKAN QUAD-CHANNEL CONTRASTIVE PROTOTYPE NETWORKS DAN MOBILENETV3. Bachelor thesis, Institut Teknologi Kalimantan.

[img] Text
11211057_cover.pdf
Download (176kB)
[img] Text
11211057_statement_of_authenticity.pdf
Download (613kB)
[img] Text
11211057_publishing_agreement.pdf
Download (281kB)
[img] Text
11211057_approval_sheet.pdf
Download (634kB)
[img] Text
11211057_preface.pdf
Download (284kB)
[img] Text
11211057_abstract_id.pdf
Download (289kB)
[img] Text
11211057_abstract_en.pdf
Restricted to Repository staff only until 4 October 2027.
Download (287kB) | Request a copy
[img] Text
11211057_table_of_content.pdf
Restricted to Repository staff only until 4 October 2027.
Download (276kB) | Request a copy
[img] Text
11211057_illustrations.pdf
Restricted to Repository staff only until 4 October 2027.
Download (216kB) | Request a copy
[img] Text
11211057_tables.pdf
Restricted to Repository staff only until 4 October 2027.
Download (222kB) | Request a copy
[img] Text
11211057_chapter_1.pdf
Restricted to Repository staff only until 4 October 2027.
Download (609kB) | Request a copy
[img] Text
11211057_chapter_2.pdf
Restricted to Repository staff only until 4 October 2027.
Download (985kB) | Request a copy
[img] Text
11211057_chapter_3.pdf
Restricted to Repository staff only until 4 October 2027.
Download (668kB) | Request a copy
[img] Text
11211057_chapter_4.pdf
Restricted to Repository staff only until 4 October 2027.
Download (886kB) | Request a copy
[img] Text
11211057_chapter_5.pdf
Restricted to Repository staff only until 4 October 2027.
Download (427kB) | Request a copy
[img] Text
11211057_bibliography.pdf
Download (279kB)
[img] Text
11211057_enclosure.pdf
Restricted to Repository staff only until 4 October 2027.
Download (459kB) | Request a copy
[img] Text
11211057_Paper.pdf
Restricted to Repository staff only until 4 October 2027.
Download (297kB) | Request a copy
[img] Text
11211057_presentation.pdf
Restricted to Repository staff only until 4 October 2027.
Download (2MB) | Request a copy
[img] Text
11211057_Form.TA-020.pdf
Restricted to Repository staff only until 4 October 2027.
Download (1MB) | Request a copy

Abstract

Indonesia merupakan salah satu negara dengan megabiodiversitas dengan 40.000 spesies. Keanekaragaman tersebut memberikan tantangan signifikan dalam identifikasi manual akibat kemiripan morfologi antarspesies dan keterbatasan alat berbasis teknologi. Penelitian ini bertujuan mengembangkan sistem OSR untuk mengatasi kelemahan model deep learning konvensional yang terbatas pada klasifikasi closed-set, dengan mengintegrasikan QC-CPN dan MobileNetV3. QC-CPN dirancang untuk memetakan fitur morfologi tumbuhan ke ruang embedding melalui empat saluran kontrastif, memungkinkan deteksi spesies tidak dikenal (unknown classes), sementara MobileNetV3 berperan sebagai feature extractor untuk menangkap karakteristik visual daun, bunga, dan batang. Penelitian menggunakan dataset 52 spesies tumbuhan dari Kebun Raya Balikpapan dengan 100 citra per spesies, dengan fokus analisis pengaruh konfigurasi hidden layer dan hyperparameter (gamma dan epsilon) pada performa QC-CPN. Hasil penelitian menunjukkan adanya trade-off dalam optimasi arsitektur OSR, dimana konfigurasi dua hidden layer memberikan performa optimal untuk known class dengan average validation accuracy 91.59% dan F1-Score 0.9117, sementara satu hidden layer memberikan performa terbaik untuk unknown class dengan AUROC 0.8963. Optimasi hyperparameter bersifat metrik-spesifik dengan gamma 0.8 dan epsilon 10 optimal untuk validation accuracy (91.52%) dan F1-score (0.9117), sedangkan gamma 0.2 dengan epsilon 10 menghasilkan AUROC tertinggi (0.8946). Sistem menunjukkan efisiensi komputasi tinggi dengan rata-rata latency 28.60 ± 3.35 ms, dimana konfigurasi optimal gamma 0.1 dan epsilon 50 mencapai latency tercepat 26.208 ms, membuktikan efektivitas sistem dalam identifikasi spesies tumbuhan secara real-time dengan pendekatan multi-objektif yang mempertimbangkan keseimbangan antara akurasi klasifikasi dan kemampuan deteksi unknown class.

Item Type: Thesis (Bachelor)
Subjects: A General Works > AI Indexes (General)
Divisions: Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User: Muhammad Erlangga Putra Hendrawan
Date Deposited: 11 Jul 2025 03:30
Last Modified: 11 Jul 2025 03:30
URI: http://repository.itk.ac.id/id/eprint/24085

Actions (login required)

View Item View Item