PENGEMBANGAN MODEL KLASIFIKASI SPESIES FAUNA LANGKA INDONESIA DENGAN METODE BACKGROUND SUBTRACTION DAN DEEP LEARNING

Abstrak

Sistem pemantauan satwa liar berbasis camera trap memerlukan metode klasifikasi otomatis yang mampu mengolah ribuan gambar dengan akurasi tinggi untuk mendukung upaya konservasi satwa langka. Salah satu tantangan utama dalam klasifikasi citra satwa adalah kompleksitas latar belakang vegetasi dan pencahayaan dinamis yang seringkali dianggap sebagai gangguan visual bagi model deep learning. Penggunaan metode background subtraction bertujuan untuk memisahkan objek fauna dari latar belakangnya guna meningkatkan fokus model pada fitur utama satwa. Namun, efektivitas penghapusan latar belakang ini terhadap akurasi klasifikasi spesies fauna Indonesia masih perlu dievaluasi lebih lanjut. Penelitian ini mengembangkan model klasifikasi dengan mengevaluasi dampak background subtraction menggunakan empat metode segmentasi (DeepLabV3+, PSPNet, YOLOv11n-seg, dan Mask R-CNN) yang diintegrasikan dengan arsitektur MobileNetV2 dan ResNet-50. Hasil eksperimen pada 10.800 gambar dari 9 spesies fauna langka menunjukkan bahwa background subtraction justru menurunkan akurasi secara drastis, dengan penurunan hingga 33% pada YOLOv11n-seg dan 13-14% pada Mask R-CNN. Sebaliknya, model tanpa background subtraction mencapai akurasi tertinggi sebesar 98%. Temuan ini mengidentifikasi bahwa latar belakang pada citra camera trap bukanlah noise, melainkan informasi kontekstual vital yang membantu model mengenali spesies.

Identifier

• OpenAlex: https://openalex.org/W7167940641
• DOI: https://doi.org/10.36341/rabit.v11i2.7652