Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.35969/interkom.v18i4.318Keywords:
Convolutional Neural Network, Gambar, Klasifikasi, Ras KucingAbstract
Kucing adalah hewan yang paling banyak dipelihara oleh banyak orang pada saat ini, dan juga hewan yang memiliki banyak jenis ras. Karena hal tersebut banyak orang yang tidak menyadari kucing dari jenis ras apa yang mereka pelihara, bahkan tidak secara umum banyak orang mengira bahwa kucing yang berbulu lebat merupakan kucing dengan ras Angora ataupun Persia. Bagaimana pun setiap kucing memiliki karakteristiknya tersendiri yang dapat diketahui dari bentuk badan, jenis bulu, warna bulu, hingga bentuk wajah kucing tersebut. Maka dari itu diperlukan suatu sistem yang dapat mengenali jenis ras dari kucing tersebut. Pada penelitian tugas akhir ini dengan judul “Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN)” melakukan pelatihan dan validasi dengan dataset gambar berjumlah 1500 gambar secara keseluruhan dengan jumlah kelas sebanyak 5 kelas. Menggunakan model CNN dengan optimasi Adam mendapatkan hasil akurasi modelnya yaitu sebesar 77.62%.
Downloads
References
Ridwan Arif Rahman, Dewi Tresnawati, and D. Tresnawati, “Pengembangan Game Edukasi Pengenalan Nama Hewan Dan Habitatnya Dalam 3 Bahasa Sebagai Media Pembelajaran Berbasis Multimedia,” J. Algoritm., vol. 13, no. 1, 1923.
F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
C. Bi, S. Xu, N. Hu, S. Zhang, Z. Zhu, and H. Yu, “Identification Method of Corn Leaf Disease Based on Improved Mobilenetv3 Model,” Agronomy, vol. 13, no. 2, 2023, doi: 10.3390/agronomy13020300.
V. Rouillard and B. Schwarz, “Presuppositional implicatures: quantity or maximize presupposition?,” ZAS Pap. Linguist., vol. 61, 2018, doi: 10.21248/zaspil.61.2018.497.
D. Wulandari and M. Dwidiyanti, “Pengetahuan dan Persepsi Ibu yang Menolak Pemberian Imunisasi Dasar Balita,” IJMS - Indones. J. Med. Sci., vol. 4 No. 1, no. 1, 2017.
M. Paliwal, “Deep Reinforcement Learning,” in Smart Innovation, Systems and Technologies, 2022. doi: 10.1007/978-3-030-92905-3_16.
A. Arkadia, S. Ayu Damayanti, and D. Sandya Prasvita, “Klasifikasi Buah Mangga Badami Untuk Menentukan Tingkat Kematangan dengan Metode CNN,” Pros. Semin. Nas. Mhs. Bid. Ilmu Komput. dan Apl., vol. 2, no. 2, 2021.
S. Fauzi, P. Eosina, and G. F. Laxmi, “Implementasi Convolutional Neural Network Untuk Identifikasi Ikan Air Tawar,” Semin. Nas. Teknol. Inf., vol. 2, 2019.
I. Wulandari, H. Yasin, and T. Widiharih, “KLASIFIKASI CITRA DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN),” J. Gaussian, vol. 9, no. 3, 2020, doi: 10.14710/j.gauss.v9i3.27416.
M. Mufadhol, S. Siswanto, D. D. Susatyono, and M. U. Dewi, “The Phenomenon of Research and Development Method in Research of Software Engineering,” Int. J. Artif. Intell. Res., vol. 1, no. 1, 2017, doi: 10.29099/ijair.v1i1.4.
X. Feng, Y. Jiang, X. Yang, M. Du, and X. Li, “Computer vision algorithms and hardware implementations: A survey,” Integration, vol. 69. 2019. doi: 10.1016/j.vlsi.2019.07.005.
T. Behr, T. P. Pusch, M. Siegfarth, D. Hüsener, T. Mörschel, and L. Karstensen, “Deep Reinforcement Learning for the Navigation of Neurovascular Catheters,” Curr. Dir. Biomed. Eng., vol. 5, no. 1, 2019, doi: 10.1515/cdbme-2019-0002.
M. Sholawati, K. Auliasari, and F. Ariwibisono, “PENGEMBANGAN APLIKASI PENGENALAN BAHASA ISYARAT ABJAD SIBI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN),” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, 2022, doi: 10.36040/jati.v6i1.4507.
D. Iswantoro and D. Handayani UN, “Klasifikasi Penyakit Tanaman Jagung Menggunakan Metode Convolutional Neural Network (CNN),” J. Ilm. Univ. Batanghari Jambi, vol. 22, no. 2, 2022, doi: 10.33087/jiubj.v22i2.2065.
