View/Open

Author
EVA, INDRIANI

Date Published
26 Aug 2026

Advisor
Rudi Setiawan, S.T., M.T.,
Rafli Filano, S.Si., M.T.,
I Gde Eka Dirgayussa, M.Si.,

Subject
Teknik Biomedis

Publisher

Klasifikasi larva nyamuk berperan penting dalam mendukung pengendalian penyakit tular vektor. Namun, identifikasi konvensional masih bergantung pada pengamatan morfologi oleh tenaga ahli, sedangkan deep learning umumnya memerlukan data pelatihan dalam jumlah besar. Penelitian ini bertujuan mengimplementasikan Few-Shot Learning menggunakan ResNet-50 sebagai feature extractor dan Prototypical Network sebagai metode klasifikasi pada sistem Graphical User Interface (GUI) berbasis web untuk mengidentifikasi empat spesies larva nyamuk, yaitu Aedes aegypti, Aedes albopictus, Anopheles cracens, dan Culex quinquefasciatus. Hasil penelitian menunjukkan model terbaik pada eksperimen 100 citra per kelas memperoleh accuracy, precision, recall, dan F1-score sebesar 93,33%. Namun, performa Aedes aegypti dan Aedes albopictus masih lebih rendah dibandingkan kelas lainnya. Pengujian GUI menghasilkan akurasi 96,67%, dengan seluruh fungsi berjalan sesuai skenario black-box testing. Hasil ini menunjukkan bahwa Few-Shot Learning dengan ResNet-50 dapat diterapkan pada klasifikasi larva nyamuk, meskipun masih terdapat keterbatasan dalam membedakan beberapa kelas.

URI
https://repo.itera.ac.id/depan/submission/SB2609180032

Keyword
Few-Shot Learning GUI Identifikasi Larva Nyamuk Prototypical Network ResNet-50