Klasifikasi Gambar Berbasis CNN pada Makhluk Peliharaan: Pendekatan Inovatif untuk Deteksi Anjing dan Kucing
DOI:
https://doi.org/10.31004/joecy.v5i2.1586Keywords:
Convolutional Neural Network, Klasifikasi, Deep Learning, CNNAbstract
Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk klasifikasi gambar anjing dan kucing, dengan tujuan untuk mengembangkan metode yang efisien dalam mengenali objek berdasarkan fitur visual seperti bentuk, pola, dan tekstur. Model CNN yang digunakan dalam penelitian ini mengikuti arsitektur AlexNet, yang terdiri dari lapisan konvolusi, pooling, dan dense, serta fungsi aktivasi ReLU dan sigmoid. Dataset yang digunakan berasal dari Kaggle dan terdiri dari 4000 gambar, yang terbagi rata antara gambar anjing dan kucing dengan variasi dalam pose dan kondisi pencahayaan. Hasil pelatihan menunjukkan akurasi model sebesar 66% pada data pelatihan dan mendekati 70% pada data validasi, dengan proses yang berjalan tanpa indikasi overfitting yang signifikan. Meskipun demikian, hasil confusion matrix menunjukkan bahwa model masih kesulitan membedakan gambar anjing dan kucing, terutama pada gambar kucing yang lebih sering salah diklasifikasikan sebagai anjing. Hasil percobaan dengan data uji juga menunjukkan bahwa model dapat memberikan prediksi yang cukup akurat, meskipun dengan tingkat keyakinan yang bervariasi. Secara keseluruhan, penelitian ini menunjukkan bahwa CNN efektif untuk klasifikasi gambar, namun masih memerlukan pengembangan lebih lanjut untuk meningkatkan akurasi dan generalisasi model.
References
D. Nie et al., “Medical Image Synthesis With Context-Aware Generative Adversarial Networks,” pp. 417–425, 2017, doi: 10.1007/978-3-319-66179-7_48.
C. Szegedy et al., “Going Deeper With Convolutions,” pp. 1–9, 2015, doi: 10.1109/cvpr.2015.7298594.
S. Iqbal and A. N. Qureshi, “A Heteromorphous Deep CNN Framework for Medical Image Segmentation Using Local Binary Pattern,” Ieee Access, vol. 10, pp. 63466–63480, 2022, doi: 10.1109/access.2022.3183331.
K. Gong et al., “Iterative PET Image Reconstruction Using Convolutional Neural Network Representation,” IEEE Trans. Med. Imaging, vol. 38, no. 3, pp. 675–685, 2019, doi: 10.1109/tmi.2018.2869871.
C. Cui, “Adversarial Attack Study on VGG16 for Cat and Dog Image Classification Task,” Appl. Comput. Eng., vol. 50, no. 1, pp. 170–175, 2024, doi: 10.54254/2755-2721/50/20241438.
X. Zhang et al., “Deep Learning PET/CT‐based Radiomics Integrates Clinical Data: A Feasibility Study to Distinguish Between Tuberculosis Nodules and Lung Cancer,” Thorac. Cancer, vol. 14, no. 19, pp. 1802–1811, 2023, doi: 10.1111/1759-7714.14924.
S. Wenyan, “Image Classification Based on CNN With Three Different Networks,” Appl. Comput. Eng., vol. 15, no. 1, pp. 181–186, 2023, doi: 10.54254/2755-2721/15/20230831.
E. B. Hamdi, J. A. Sunaryo, and S. Y. Prasetyo, “Fusion of Pretrained CNN Models for Cat Breed Classification: A Comparative Study,” E3s Web Conf., vol. 426, p. 1014, 2023, doi: 10.1051/e3sconf/202342601014.
B. Elsayed et al., “Deep Learning Enhances Acute Lymphoblastic Leukemia Diagnosis and Classification Using Bone Marrow Images,” Front. Oncol., vol. 13, 2023, doi: 10.3389/fonc.2023.1330977.
X. Ye, “Revolutionizing Image Recognition: The Dominance and Future Potential of Convolutional Neural Networks,” Appl. Comput. Eng., vol. 48, no. 1, pp. 130–140, 2024, doi: 10.54254/2755-2721/48/20241257.
M. Z. Alom, P. Sidike, M. Hasan, T. M. Taha, and V. K. Asari, “Handwritten Bangla Character Recognition Using the State-of-the-Art Deep Convolutional Neural Networks,” Comput. Intell. Neurosci., vol. 2018, pp. 1–13, 2018, doi: 10.1155/2018/6747098.
F. Hashimoto, H. Ohba, K. Ote, A. Teramoto, and H. Tsukada, “Dynamic PET Image Denoising Using Deep Convolutional Neural Networks Without Prior Training Datasets,” Ieee Access, vol. 7, pp. 96594–96603, 2019, doi: 10.1109/access.2019.2929230.
M. F. Nadhif and S. Dwiasnati, “Classification of Date Fruit Types Using CNN Algorithm Based on Type,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 36–42, 2023, doi: 10.57152/malcom.v3i1.724.
R. A. Hapsari and A. Purwinarko, “Implementation of Convolutional Neural Network Algorithm Using VGG-16 Architecture for Image Classification in Facial Images,” Recursive J. Informatics, vol. 1, no. 2, pp. 83–92, 2023, doi: 10.15294/rji.v1i2.68059.
B. Mei, “Video Classification-Based Action Recognition With Enhanced Convolutional Neural Networks,” 2023, doi: 10.5121/csit.2023.131506.
M. Rais Wathani and N. Hidayati, “Analisis Perbandingan Fungsi Aktivasi CNN PadaPengelompokan Jenis Beras Berdasarkan Mutu Beras,” BRAHMANA J. Penerapan Kecerdasan Buatan, vol. 4, no. 2, pp. 144–153, 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Umi Yuliatin, Muhammad Hafiz, Aldora Helga Zivatha
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
