🐦 Bird Species Classification with CNN & Transfer Learning (EfficientNetB0) 📌 Deskripsi Proyek

Proyek ini merupakan implementasi Convolutional Neural Network (CNN) dengan pendekatan transfer learning menggunakan arsitektur EfficientNetB0 untuk mengklasifikasikan spesies burung hama pemakan biji-bijian pada lahan padi. Model dirancang untuk membedakan empat spesies utama (Lonchura leucogastroides, Lonchura maja, Lonchura punctulata, Passer montanus) serta satu kelas tambahan Unknown (burung non-pemakan biji).

Penelitian ini bertujuan mendukung sistem pertanian cerdas (smart farming) dalam mendeteksi spesies burung hama secara otomatis sehingga petani dapat mengambil tindakan pengendalian yang lebih efektif.

⚙️ Teknologi & Tools

Bahasa: Python 3.10+

Framework: TensorFlow / Keras

Notebook: Google Colaboratory (GPU runtime)

IDE tambahan: Visual Studio Code

Pustaka pendukung:

numpy, pandas, matplotlib, opencv-python

scikit-learn (untuk evaluasi & Stratified K-Fold CV)

tqdm (progress bar)

📂 Struktur Dataset

Dataset diperoleh dari eBird.org dan melalui proses cleaning, downsampling, dan labeling.

dataset/ │ ├── train/ # Data latih (70%) │ ├── Lonchura_leucogastroides/ │ ├── Lonchura_maja/ │ ├── Lonchura_punctulata/ │ ├── Passer_montanus/ │ └── Unknown/ │ └── test/ # Data uji (30%) ├── Lonchura_leucogastroides/ ├── Lonchura_maja/ ├── Lonchura_punctulata/ ├── Passer_montanus/ └── Unknown/

Ukuran citra diseragamkan ke 224×224 piksel RGB sesuai standar EfficientNet-B0.

🚀 Langkah Eksekusi

Clone repositori & masuk ke direktori proyek

git clone cd bird-cnn-classification

Install dependencies

pip install -r requirements.txt

Jalankan notebook Buka bird_classification_cnn_transfer_learning.ipynb di Google Colab atau Jupyter Notebook, lalu jalankan sel satu per satu.

Pelatihan model

Backbone: EfficientNetB0 (pre-trained on ImageNet)

Head klasifikasi: GlobalAveragePooling → Dropout → Dense(256, relu) → Dropout → Dense(5, softmax)

Optimizer: Adam (lr=1e-4)

Loss: Categorical Crossentropy + Label Smoothing (0.05)

Epochs: 30 (early stopping di epoch ke-24)

Evaluasi

Confusion Matrix & Classification Report

Stratified K-Fold Cross Validation (k=5)

Metrik utama: Accuracy, Precision, Recall, F1-score

📊 Hasil Utama

Akurasi Training: 93.45% (epoch ke-14)

Akurasi Validasi: 81.51%

Akurasi Uji (Hold-out): ±82%

Precision & Recall terbaik: Lonchura maja (0.90 / 0.90)

Kelas paling sulit: Lonchura punctulata (F1 = 0.80)

Cross Validation (5-Fold Stratified)

Total data validasi: 1.510 citra

Konsistensi performa across folds dengan standar deviasi rendah

Confusion Matrix agregat menunjukkan kesalahan dominan antarspesies Lonchura

📌 Catatan & Keterbatasan

Kesalahan klasifikasi dominan antarspesies bondol (Lonchura) akibat kemiripan morfologi.

Faktor teknis: banyak citra diambil dari jarak jauh dengan ukuran burung kecil, serta adanya noise (vegetasi/benda sekitar).

Perlu dataset lapangan tambahan dengan variasi kondisi pencahayaan & sudut pandang agar model lebih robust.