<![CDATA[Klasifikasi spesies nyamuk secara cepat dan akurat merupakan aspek penting dalam upaya pengendalian berbagai penyakit seperti demam berdarah, chikungunya, dan filariasis. Metode klasifikasi berbasis pembelajaran mesin konvensional umumnya membutuhkan dataset berukuran besar yang relatif sulit untuk didapatkan. Untuk mengatasi kendala tersebut, penelitian ini mengusulkan pendekatan Few-Shot Learning (FSL) dengan menggunakan arsitektur Prototypical Network yang didukung oleh deep visual embeddings berbasis backbone ResNet-34. Model dilatih secara episodik dengan sedikit data per kelas menggunakan citra dari tiga spesies nyamuk utama yaitu Aedes aegypti, Aedes albopictus, dan Culex quinquefasciatus. Evaluasi kinerja model dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian ini menunjukkan bahwa model dapat mencapai akurasi rata-rata sebesar 96,33% dengan deviasi antar-fold yang rendah serta stabilitas dan kemampuan generalisasi yang tinggi. Selain akurat, model ini juga efisien secara komputasi dengan waktu pelatihan rata-rata sebesar 0,83 detik per episode. Visualisasi menggunakan Grad-CAM menunjukkan bahwa model secara konsisten dapat memfokuskan perhatian pada area morfologis penting seperti toraks dan abdomen sehingga meningkatkan interpretabilitas dari proses klasifikasi. Secara keseluruhan, penelitian ini memberikan kontribusi penting dalam pengembangan sistem surveilans vektor berbasis kecerdasan buatan di wilayah dengan keterbatasan data dan sumber daya.]]>
Copyrights © 2025
