Abstrak— Algoritma deep learning merevolusi bagaimana Goniasteridae
pembuatan hipotesis, pengenalan pola, dan prediksi yang Ophidiasteridae
terjadi dalam sains. Dalam ilmu kehidupan, khususnya biologi
dan subbidangnya, penggunaan deep learning perlahan tapi
pasti meningkat. Namun, pembuatan prototipe atau Selain, juga terbagi menjadi lebih dari 370 genus dan sekitar
pengembangan alat untuk aplikasi praktis tetap berada dalam 2.000 spesies yang tersebar di seluruh lautan mulai
domain pembuat kode berpengalaman. Selain itu, banyak alat kedalaman intertidal (dangkal) hingga abyssal (dalam). Ciri
bisa sangat mahal dan sulit disatukan tanpa keahlian dalam yang dikenal dari bintang laut adalah bentuknya dan
komputasi kecerdasan buatan (AI). Kami membuat warnanya. Bentuknya yang seperti bintang dan warnanya
pengklasifikasi spesies biologis yang memanfaatkan alat dan yang cerah mudah sekali dibedakan dengan hewan di lautan
perpustakaan sumber terbuka yang ada. Kami merancang lainnya.
keterampilan dasar dalam python dan kumpulan data gambar
yang kecil namun dikurasi dengan baik. Kami menyertakan
kode beranotasi dalam bentuk Notebook Jupyter yang dapat
Salah satu cara identifikasi jenis bintang laut dengan cepat
diadaptasi ke kumpulan data gambar apa pun, mulai dari yaitu dilakukan dengan klasifikasi data gambar atau citra.
gambar satelit, hewan, hingga bakteri.. Klasifikasi citra khususnya pada bintang laut. Klasifikasi
citra bintang laut dengan membuat model arsitektur deep
Kata Kunci : Kecerdasan Buatan, Deep Learning, Klasifikasi learning, yaitu arsitektur pada CNN yang memiliki kelebihan
Spesies. dalam hal ekstraksi fitur secara otomatis. Berbeda dengan
arsitektur pada machine learning yang menggunakan ANN
dimana untuk ekstraksi fitur-nya dilakukan secara manual.
I. PENDAHULUAN
Kecerdasan Buatan (Artificial Intelligence) merupakan salah II. METODOLOGI PENELITIAN
satu bagian dari ilmu komputer yang mempelajari bagaimana Jenis penelitian yang digunakan ialah dengan membuat
membuat mesin (komputer) dapat melakukan pekerjaan
model arsitektur deep learning, yaitu arsitektur pada CNN
seperti dan sebaik yang dilakukan oleh manusia bahkan bisa
lebih baik daripada yang dilakukan manusia. yang memiliki kelebihan dalam hal ekstraksi fitur secara
Deep Learning yang merupakan cabang dari machine
otomatis. Berbeda dengan arsitektur pada machine learning
learning adalah kecerdasan buatan yang telah digunakan
untuk pengenalan pola diberbagai bidang. Pada yang menggunakan ANN dimana untuk ekstraksi fitur-nya
pengklasifikasian ini kami menggunakan software jupyter,
dilakukan secara manual. Penelitian ini pula dibantu
google colab dan phyton. Python adalah bahasa
pemrograman tujuan umum yang ramah pengguna yang telah menggunakan software dan lainnya.
digunakan untuk mengembangkan banyak perpustakaan ilmu
Software yang digunakan
data dan kerangka kerja pembelajaran mendalam baru-baru
ini karena kemudahan penggunaan dan kemiripannya dengan Jupyter Notebook
bahasa Inggris biasa. Fast.ai adalah pustaka AI tingkat tinggi
yang dibangun di atas pustaka pembelajaran dalam
Jupyter adalah aplikasi web gratis untuk yang digunakan
Bintang Laut merupakan hewan yang termasuk dalam kelas
Asteroidea filum Echinodermata. Sebaran spesies ini sangat untuk membuat dan membagikan dokumen yang memiliki
luas di seluruh samudera. Satwa laut ini terbagi menjadi 36 kode, hasil hitungan, visualisasi, dan teks.
famili, beberapa diantaranya adalah:
Jupyter adalah singkatan dari tiga bahasa
Asteriidae pemrograman Julia (Ju), Python (Py), dan R. Tiga bahasa
Brisingidae
Echinasteridae
Asterinidae
STROOM: JOURNAL OF SIGNAL PROCESSING, CONTROL, ELECTRONICS, COMPUTER, POWER, AND 2
TELECOMMUNICATION ENGINEERING, VOL. , NO. , BULAN TAHUN
Google Colab
REFERENSI
V. KESIMPULAN
Dari percobaan yang telah dilakukan diatas didapatkan
kesimpulan dalam penggunaan deep learning dengan CNN
pada citra jenis bunga sangat dipengaruhi oleh arsitektur yang
dipilih atau digunakan. Dan didapatkan hasil dari akurasi
testing yang didapatkan berdasarkan arsitektur terbaik untuk
pengklasifikasian bintang laut sesuai kategorinya sebesar
75%, dimana untuk hasil pengklasifikasian bintang laut
sebanyak 6 citra yang mampu terdeteksi sesuai dengan
kategorinya dari 10 objek citra yang diuji.