Klasifikasi Fine-grained Daun Mangrove Menggunakan Res4Net-CBAM di Desa Ekowisata Cuku Nyi Nyi
Identifikasi spesies mangrove secara akurat sangat penting untuk mendukung konservasi dan edukasi di kawasan ekowisata Desa Cuku Nyi Nyi, Lampung Selatan. Tantangan utama dalam klasifikasi mangrove terletak pada kemiripan morfologi antar spesies, terutama pada struktur daun yang sulit dibedakan secara visual. Model CNN konvensional sering gagal menangkap perbedaan halus antar objek sejenis, karena kurang mampu memfokuskan perhatian pada fitur lokal penting. Penelitian ini bertujuan melakukan pendekatan berbasis attention mechanism untuk meningkatkan akurasi dan ketepatan dalam klasifikasi mangrove dan mengusulkan sebuah model Res4Net-CBAM, yaitu arsitektur Res4Net yang diintegrasikan dengan Convolutional Block Attention Module (CBAM), untuk klasifikasi fine-grained tiga spesies mangrove: Avicennia alba, Rhizophora apiculata, dan Rhizophora stylosa. Sebanyak 300 citra daun dikumpulkan menggunakan kamera smartphone beresolusi 50 MP dan diproses melalui tahapan pre-processing, augmentasi. Model dilatih menggunakan Adam optimizer dengan learning rate 10−4 memberikan hasil terbaik dari beberapa kombinasi yang dilatih dengan optimizer Adam dan SGD dan learning rate dengan rentang 10−3 sampai 10−5 dan model terbaik yang dihasilkan mencapai akurasi, recall, serta F1-score sebesar 96%. Hasil ini menunjukkan efektivitas CBAM dalam meningkatkan fokus ekstraksi fitur dan akurasi klasifikasi spesies mangrove. Penelitian ini juga dapat dikembangkan untuk studi-studi lanjutan yang menangani kasus-kasus unik dengan pola data yang memiliki perbedaan kecil dalam karakteristik objek
URI
https://repo.itera.ac.id/depan/submission/SB2507090002
Keyword
CBAM Res4Net Deep Learning Mangrove Klasifikasi Fine-grained