Implementasi Convolutional Neural Network dalam Mendeteksi Jenis Ras Kucing

Abstract

Klasifikasi ras kucing dari citra digital merupakan salah satu tantangan dalam bidang visi komputer karena adanya kemiripan fitur visual antar ras serta keterbatasan jumlah data pada setiap kelas. Penelitian ini bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) dalam proses klasifikasi ras kucing berbasis citra digital. Dataset diproses melalui beberapa tahap pra-pemrosesan, meliputi resize citra, normalisasi, dan augmentasi data untuk meningkatkan variasi data pelatihan. Model CNN dibangun menggunakan framework Keras dan TensorFlow dengan beberapa lapisan konvolusi, pooling, dan fully connected. Selain model CNN kustom, penelitian ini juga mengeksplorasi pendekatan transfer learning menggunakan arsitektur VGG16, ResNet50, dan MobileNetV2. Evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta didukung visualisasi Grad-CAM untuk membantu interpretasi prediksi model. Hasil eksperimen menunjukkan bahwa performa model CNN pada klasifikasi multi-kelas masih belum optimal akibat keterbatasan jumlah data dan tingginya kemiripan fitur visual antar ras kucing. Nilai evaluasi yang rendah menunjukkan bahwa model belum mampu melakukan generalisasi secara baik pada sebagian besar kelas. Penelitian ini menunjukkan bahwa ukuran dataset, distribusi data, dan jumlah sampel per kelas sangat memengaruhi performa CNN dalam klasifikasi citra multi-kelas. Oleh karena itu, penelitian selanjutnya disarankan menggunakan dataset yang lebih besar dan seimbang serta menerapkan optimasi arsitektur model dan fine-tuning untuk meningkatkan performa klasifikasi