IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) PADA KLASIFIKASI RAS KUCING

Pramudika, Muhammad Ikhwan (2025) IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) PADA KLASIFIKASI RAS KUCING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (298kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (999kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (367kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (459kB)
	Text (BAB V) BAB V.pdf Download (90kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (123kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3962.zip Restricted to Repository staff only Download (32MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (623kB)

Abstract

Kucing adalah salah satu hewan peliharaan yang paling banyak diminati di dunia, dengan berbagai ras yang memiliki ciri khas fisik dan kebutuhan perawatan yang berbeda-beda. Mengetahui ras kucing secara akurat sangat penting untuk memberikan perawatan yang tepat, namun banyak pemilik kucing yang kesulitan dalam mengidentifikasi ras kucing mereka, terutama pada kucing hasil kawin silang. Penelitian ini bertujuan untuk mengembangkan sistem otomatis yang dapat mengklasifikasikan ras kucing menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan Transfer Learning dan Fine-Tuning, guna meningkatkan akurasi klasifikasi ras kucing berdasarkan gambar. Model CNN yang digunakan dalam penelitian ini adalah MobileNetV2, yang terkenal efisien dan cocok diterapkan pada perangkat dengan keterbatasan sumber daya komputasi. Model ini dilatih dengan dataset yang berisi 13 ras kucing yang telah diberi label, dan dilakukan proses pra-pemrosesan gambar dengan teknik resize, normalisasi, serta data augmentation untuk memperkaya variasi data pelatihan. Pelatihan model dilakukan dalam dua tahap utama, yaitu Head Training dan Fine-Tuning, di mana beberapa lapisan dari model MobileNetV2 yang sudah dilatih sebelumnya dibekukan, sementara lapisan-lapisan akhir dilatih ulang dengan menggunakan learning rate yang lebih rendah. Hasil evaluasi model menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan ras kucing dengan akurasi validasi sebesar 82,31%. Selain itu, metrik evaluasi lainnya seperti precision, recall, dan AUC juga menunjukkan hasil yang memadai, meskipun terdapat indikasi overfitting pada model. Penelitian ini berhasil mengimplementasikan sistem yang dapat secara otomatis mengidentifikasi ras kucing dengan menggunakan teknologi Deep Learning, meskipun masih ada potensi untuk meningkatkan kemampuan model dalam hal generalisasi.

Actions (login required)

View Item