Klasifikasi Ras Anjing Menggunakan Convolutional Neural Network Pada Citra Digital
DOI:
https://doi.org/10.31004/innovative.v5i1.17416Keywords:
Klasifikasi Ras Anjing, Convolutional Neural Network, Deep Learning, Transfer Learning, Citra DigitalAbstract
Klasifikasi ras anjing merupakan tugas penting dalam mendukung identifikasi, pemahaman perilaku, serta kebutuhan kesehatan dan perawatan spesifik dari berbagai ras. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan gambar ras anjing, memanfaatkan dataset besar dengan teknik Transfer Learning dan augmentasi data. Studi ini bertujuan untuk meningkatkan akurasi klasifikasi serta efisiensi waktu pemrosesan. Hasil menunjukkan model CNN yang dikembangkan mampu mencapai akurasi 74,38% pada data uji, mencerminkan efektivitas metode ini meskipun terdapat tantangan terkait kondisi pencahayaan dan sudut pandang. Penelitian ini berkontribusi pada pengembangan teknologi berbasis kecerdasan buatan untuk mendukung pemilik hewan peliharaan dan profesional dalam memahami kebutuhan spesifik ras anjing.
References
Borwarnginn, P., Kusakunniran, W., Karnjanapreechakorn, S., & Thongkanchorn, K. (2021). Knowing Your Dog Breed: Identifying a Dog Breed with Deep Learning. International Journal of Automation and Computing, 18(1), 45–54. https://doi.org/10.1007/s11633-020-1261-0
Firdaus, R., Joni Satria, & Baidarus, B. (2022). Klasifikasi Jenis Kelamin Berdasarkan Gambar Mata Menggunakan Algoritma Convolutional Neural Network (CNN). Jurnal CoSciTech (Computer Science and Information Technology), 3(3), 267–273. https://doi.org/10.37859/coscitech.v3i3.4360
Intyanto, G. W. (2021). Klasifikasi Citra Bunga dengan Menggunakan Deep Learning: CNN (Convolution Neural Network). Jurnal Arus Elektro Indonesia, 7(3), 80. https://doi.org/10.19184/jaei.v7i3.28141
Leovincent, A., & Yoannita, Y. (2023). Klasifikasi Ras Anjing Berdasarkan Citra Menggunakan Convolutional Neural Network. Jurnal Algoritme, 3(2), 160–169. https://doi.org/10.35957/algoritme.v3i2.3389
Nugroho, P. A., Fenriana, I., & Arijanto, R. (2020). Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia. Algor, 2(1), 12–21.
Pratama, M. D., Gustriansyah, R., & Purnamasari, E. (2024). Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN). Jurnal Teknologi Terpadu, 10(1), 1–6. https://doi.org/10.54914/jtt.v10i1.1167
Rahmadhani, U. S., & Marpaung, N. L. (2023). Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN. Jurnal Informatika: Jurnal Pengembangan IT, 8(2), 169–173. https://doi.org/10.30591/jpit.v8i2.5229
Soekarta, R., Nurdjan, N., & Syah, A. (2023). Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN). Insect (Informatics and Security): Jurnal Teknik Informatika, 8(2), 143–151. https://doi.org/10.33506/insect.v8i2.2356
Suwitono, Y. A., & Kaunang, F. J. (2022). Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras. Jurnal Komtika (Komputasi Dan Informatika), 6(2), 109–121. https://doi.org/10.31603/komtika.v6i2.8054
Wang, C., Wang, J., Du, Q., & Yang, X. (2020). Dog Breed Classification Based on Deep Learning. 2020 13th International Symposium on Computational Intelligence and Design (ISCID), 209–212. https://doi.org/10.1109/ISCID51228.2020.00053
Yuliany, S., Aradea, & Andi Nur Rachman. (2022). Implementasi Deep Learning pada Sistem Klasifikasi Hama Tanaman Padi Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Buana Informatika, 13(1), 54–65. https://doi.org/10.24002/jbi.v13i1.5022
Zheng, Z., Li, Z., Nagar, A., & Park, K. (2015). Compact deep neural networks for device based image classification. 2015 IEEE International Conference on Multimedia & Expo Workshops (ICMEW), 1–6. https://doi.org/10.1109/ICMEW.2015.7169768
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhammad Khalidin Basyir
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.