Penerapan Convolutional Neural Network (CNN) Pada Klasifikasi Ras Kucing Padigree Dengan Model Keras Sequential
DOI:
https://doi.org/10.30606/rjocs.v10i2.2859Keywords:
Convolutional Neural Network (CNN), Ras Kucing Padigree, Model Keras Sequential, Citra ImageAbstract
Kucing pedigree, juga dikenal sebagai kucing ras murni, adalah kucing yang memiliki silsilah leluhur yang tercatat dan terdokumentasi dengan jelas. Penelitian ini membahas penerapan Convolutional Neural Network (CNN) pada klasifikasi ras kucing padigree dengan jenis ras utama (Abyssinian, American bobtail, American Shorhair,persia,Ragdoll). pada penelitian ini berfokus pada ras kucing padigree yang memiliki ciri khusus baik itu tinggi,ketebalan bulu,model kaki. Dengan menggunakan google colab dan bahasa pemograman phyton dan dataset dari( www.kaggle.com ) dengan menggunakan library TensorFlow dan Keras untuk mengoptimalkan model dan meningkatkan akurasi klasifikasi sebanyak 375-1875 dataset, data training 60% data latih, 20% data validasi, dan 20% data uji. Metode Convolutional Neural Network (CNN) dipilih karena kemampuannya dalam mengenali pola visual dengan akurasi tinggi. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN mampu mengklasifikasikan jenis kucing padigree dengan akurasi rata-rata mencapai 93,75%. Waktu rata-rata yang dibutuhkan untuk klasifikasi adalah 90 detik, dengan waktu terlama 97 detik. Penelitian ini dapat digunakan sebagai referensi untuk pengembangan aplikasi yang dapat membantu pemilik kucing mengetahui ras kucing padigree dengan lebih mudah dan meningkatkan efisiensi dalam proses klasifikasi ras kucing padigree
Downloads
References
R. Gunawan, D. M. I. Hanafie, and 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, 2024, doi: 10.35969/interkom.v18i4.318.
M. Afif, A. Fawwaz, K. N. Ramadhani, and F. Sthevanie, “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network(CNN),” J. Tugas Akhir Fak. Inform., vol. 8, no. 1, 2020.
M. Ismu Rahayu, “KLASIFIKASI RAS KUCING MENGGUNAKAN METADATA DATASET KAGGLE DENGAN FRAMEWORK YOLO v5,” J. Teknol. Inf. dan Komun., vol. 12, no. 1, 2023.
MUHAMMAD FADLI, “KLASIFIKASI JENIS RAS KUCING MENGGUNAKAN SSD-MOBILENET SECARA REAL-TIME BERBASIS DESKTOP,” skripsi, 2021.
M. R. Effendi, “SISTEM DETEKSI WAJAH JENIS KUCING DENGAN IMAGE CLASSIFICATION MENGGUNAKAN OPENCV,” J. Teknol. Inform. dan Komput., vol. 4, no. 1, 2018, doi: 10.37012/jtik.v4i1.283.
D. D. Nur Cahyo, M. Anwar Fauzi, J. Tri Nugroho, and K. Kusrini, “Analisis Perbandingan Optimizer pada Arsitektur NASNetMobile Convolutional Neural Network untuk Klasifikasi Ras Kucing,” J. Teknol., vol. 15, no. 2, 2023, doi: 10.34151/jurtek.v15i2.4025.
J. Kusuma, A. Jinan, M. Z. Lubis, R. Rubianto, and R. Rosnelly, “Komparasi Algoritma Support Vector Machine Dan Naive Bayes Pada Klasifikasi Ras Kucing,” Generic, vol. 14, no. 1, 2022, doi: 10.18495/generic.v14i1.122.
F. Genova et al., “Multi-omic analyses in Abyssinian cats with primary renal amyloid deposits,” Sci. Rep., vol. 11, no. 1, 2021, doi: 10.1038/s41598-021-87168-0.
M. J. Lipinski et al., “The ascent of cat breeds: Genetic evaluations of breeds and worldwide random-bred populations,” Genomics, vol. 91, no. 1, 2008, doi: 10.1016/j.ygeno.2007.10.009.
S. A. Fauhani, B. B. Tanudjaja, and D. K. Salamoon, “Perancangan Buku Ilustrasi Sebagai Panduan Dalam Memelihara Kucing Untuk Remaja dan Dewasa Muda usia 16 – 24 Tahun,” J. DKV Adiwarna, vol. 1, no. 10, 2017.
Zidane Chesa Wardana, I. N. Farida, and M. A. D. W. Dara, “Sistem Pakar Berbasis Web untuk Diagnosa Penyakit pada Kucing Persia Medium,” Nusant. Eng., vol. 6, no. 2, 2023, doi: 10.29407/noe.v6i2.20522.
M. F. Akbar, “Keutamaan Memelihara Kucing dalam Perspektif Islam: Studi Takhrij dan Syarah Hadits,” J. Ris. Agama, vol. 1, no. 2, 2021, doi: 10.15575/jra.v1i2.14762.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, 2023, doi: 10.25126/jtiik.20231015695.
B. Yanto, B. -, J. -, and B. H. Hayadi, “INDENTIFIKASI POLA AKSARA ARAB MELAYU DENGAN JARINGAN SYARAF TIRUAN CONVOLUTIONAL NEURAL NETWORK (CNN),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Yanto, J. Jufri, A. Lubis, B. H. Hayadi, and E. Armita, NST, “Klarifikasi Kematangan Buah Nanas Dengan Ruang Warna Hue Saturation Intensity (Hsi),” INOVTEK Polbeng - Seri Inform., vol. 6, no. 1, p. 135, 2021, doi: 10.35314/isi.v6i1.1882.
B. Yanto, B. -, J. -, and B. H. Hayadi, “Indentifikasi Pola Aksara Arab Melayu Dengan Jaringan Syaraf Tiruan Convolutional Neural Network (Cnn),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, pp. 106–114, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, 2021, doi: 10.35314/isi.v6i2.2104.
B. Citra, R. E. D. Green, and B. Rgb, “PENERAPAN ALGORITMA DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENENTUKAN KEMATANGAN BUAH JERUK MANIS APPLICATION OF THE DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK ALGORITHM IN DETERMINING THE MURABILITY OF SWEET ORANGE FRUIT BASED ON IMAGES RED GRE,” vol. 10, no. 1, pp. 59–66, 2023, doi: 10.25126/jtiik.2023105695.
B. Yanto`, Maria Angela Kartawidjaja, Ronald Sukwadi, and Marsellinus Bachtiar, “Implementation of Hue Saturation Intensity (Hsi) Color Space Transformation Algorithm With Red, Green, Blue (Rgb) Color Brightness in Assessing Tomato Fruit Maturity,” RJOCS (Riau J. Comput. Sci., vol. 9, no. 2, pp. 167–178, 2023, doi: 10.30606/rjocs.v9i2.2428.
I. Y. Pangestu and S. R. Ramadhani, “Perancangan Sistem Deteksi Penyakit Kulit Pada Kucing Menggunakan Deep Learning Berbasis Android,” Teknika, vol. 12, no. 3, 2023, doi: 10.34148/teknika.v12i3.673.
C. Nisa and F. Candra, “Klasifikasi Jenis Rempah-Rempah Menggunakan Algoritma Convolutional Neural Network,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 78–84, 2023, doi: 10.57152/malcom.v4i1.1018.
A. Imanuel and D. H. Setiabudi, “Penerapan Convolutional Neural Network dengan Pre-Trained Model Xception untuk Meningkatkan Akurasi dalam Mengidentifikasi Jenis Ras Kucing,” J. INFRA, vol. 10, no. 2, 2022.
S. Ahmad, S. U. Ansari, U. Haider, K. Javed, J. U. Rahman, and S. Anwar, “Confusion matrix-based modularity induction into pretrained CNN,” Multimed. Tools Appl., vol. 81, no. 16, 2022, doi: 10.1007/s11042-022-12331-2.
A. S. Wardani, C. Setianingsih, and F. M. Dirgantara, “Sistem Deteksi Pelanggaran Social Distancing Di Ruang Terbuka Menggunakan Algoritma Faster R-CNN,” e-Proceeding Eng., vol. 8, no. 5, 2021.
S. Prathibha, D. Dahiya, C. R. Rene Robin, C. V. Nishkala, and S. Swedha, “A Novel Technique for Detecting Various Thyroid Diseases Using Deep Learning,” Intell. Autom. Soft Comput., vol. 35, no. 1, 2023, doi: 10.32604/iasc.2023.025819.
