Keywords
Convolutional Neural Network
MobileNetV2
Ras kucing
How to Cite
Abstract
Kucing merupakan hewan peliharaan yang sangat popular di dunia. Kucing juga memiliki banyak jenis ras yang diakui secara internasional yaitu sekitar 142 ras kucing. Karena banyaknya jenis ras kucing di dunia, sehingga banyak pemilik kucing yang sulit untuk membedakan jenis ras kucing yang mereka pelihara. Oleh karena itu dibutuhkan sistem klasifikasi otomatis berbasis pengolahan citra menggunakan algoritma Convolutional Neural Network dengan arsitektur MobileNetV2. Model dikembangkan untuk mengenali 5 jenis ras kucing dengan dataset berjumlah 500 gambar. Data dilatih selama 20 epoch dengan batch size 32, menghasilkan akurasi tertinggi sebesar 91%. Evaluasi dengan data baru menunjukkan bahwa model mampu mengidentifikasi secara akurat. Hasil ini menunjukkan potensi MobileNetV2 sebagai solusi ringan dan efektif untuk klasifikasi citra berbasis ras kucing dalam aplikasi nyata.
References
[1] R. Gunawan, D. M. I. Hanafie, dan A. Elanda, “Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN),” J. Interkom J. Publ. Ilm. Bid. Teknol. Inf. dan Komun., vol. 18, no. 4, hal. 1–8, 2024, doi: 10.35969/interkom.v18i4.318.
[2] U. Kulsum dan A. Cherid, “Penerapan Convolutional Neural Network Pada Klasifikasi Tanaman Menggunakan ResNet50,” Simkom, vol. 8, no. 2, hal. 221–228, 2023, doi: 10.51717/simkom.v8i2.191.
[3] J. Kusuma, A. Jinan, M. Z. Lubis, R. Rubianto, dan R. Rosnelly, “Komparasi Algoritma Support Vector Machine Dan Naive Bayes Pada Klasifikasi Ras Kucing,” Generic, vol. 14, no. 1, hal. 8–12, 2022, doi: 10.18495/generic.v14i1.122.
[4] F. F. Maulana dan N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, hal. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.
[5] V. Angkasa dan J. J. Pangaribuan, “Information System Development Komparasi Tingkat Akurasi Random Forest Dan Knn Untuk Mendiagnosis Penyakit Kanker Payudara,” J. Inf. Syst. Dev., vol. 7, no. 1, hal. 37–38, 2022, [Daring]. Tersedia pada: http://dx.doi.org/10.19166/xxxx
[6] N. H. Harani, C. Prianto, dan M. Hasanah, “Deteksi Objek Dan Pengenalan Karakter Plat Nomor Kendaraan Indonesia Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Python,” J. Tek. Inform., vol. 11, no. 3, hal. 47–53, 2019, [Daring]. Tersedia pada: https://ejurnal.ulbi.ac.id/index.php/informatika/article/view/658
[7] F. Ramadhani, A. Satria, dan S. Salamah, “Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak,” sudo J. Tek. Inform., vol. 2, no. 4, hal. 167–175, 2023, doi: 10.56211/sudo.v2i4.408.
[8] L. Alzubaidi dkk., Review of deep learning: concepts, CNN architectures, challenges, applications, future directions, vol. 8, no. 1. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.
[9] A. S. Riyadi, I. P. Wardhani, dan S. Widayati, “Klasifikasi Citra Anjing Dan Kucing Menggunakan Metode Convolutional Neural Network (Cnn),” Semin. Nas. Teknol. Inf. dan Komun. STI&K, vol. 5, no. 1, hal. 307–311, 2021, [Daring]. Tersedia pada: https://ejournal.jak-stik.ac.id/files/journals/2/articles/sentik2021/2857/submission/proof/2857-13-1919-1-10-20210902.pdf
[10] M. Sandler, A. Howard, M. Zhu, dan A. Zhmoginov, “Sandler_MobileNetV2_Inverted_Residuals_CVPR_2018_paper.pdf,” arXiv, hal. 4510–4520, 2018.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 diyah kingkin sulistiana, Made Ayu Dusea Widyadara, Umi Mahdiyah