KLASIFIKASI CITRA GENUS PANTHERA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
Fakultas Teknologi Industri Universitas Gunadarma
Indonesia
Fakultas Teknologi Industri Universitas Gunadarma
Indonesia
Abstract
Panthera merupakan genus dari keluarga kucing yang memiliki empat spesies popular yaitu, harimau, jaguar, macan tutul, singa. Singa memiliki warna keemasan dan tidak memilki motif, harimau memiliki motif loreng dengan garis-garis panjang, jaguar memiliki tubuh yang lebih besar dari pada macan tutul serta memiliki motif tutul yang lebih lebar, sedangkan macan tutul memiliki tubuh yang sedikit lebih ramping dari pada jaguar dan memiliki tutul yang tidak terlalu lebar. Pada penelitian ini dilakukan klasifikasi genus panther yaitu harimau, jaguar, macan tutul, dan singa menggunakan metode Convolutional Neural Network. Model Convolutional Neural Network yang digunakan memiliki 1 input layer, 5 convolution layer, dan 2 fully connected layer. Dataset yang digunakan berupa citra harimau, jaguar, macan tutul, dan singa. Data training terdiri dari 3840 citra, data validasi sebanyak 960 citra, dan data testing sebanyak 800 citra. Hasil akurasi dari pelatihan model untuk training yaitu 92,31% dan validasi yaitu 81,88%, pengujian model menggunakan dataset testing mendapatan hasil 68%. Hasil akurasi prediksi didapatkan dari nilai F1-Score pada pengujian didapatkan sebesar 78% untuk harimau, 70% untuk jaguar, 37% untuk macan tutul, 74% untuk singa. Macan tutul mendapatkan akurasi terendah dibandingkan 3 hewan lainnya tetapi lebih baik dibandingkan hasil penelitian sebelumnya.
Keywords
References
A. Suryanto, B. Andrianto, F. Alvianda, H. A. Saputor, dan M. S. Siregar, “Pengklasifikasian Genus Panthera (Harimau, Singa, Jaguar dan Macan Tutul dengan metode Naïve Bayes)”, 2014. [Daring]. Tersedia: https://fdokumen.com/document/pengklasifikasi-genus-panthera-harimau-singa-jaguar-dan-program-teknologi.html, [Diakses 23 Agustus 2019].
Ensiklopedia Biologi Dunia Hewan Vol. 2 Mamalia. Jakarta: Lentera Abadi, 2017.
I. W. Suartika E. P., A. Y. Wijaya, dan R. Soelaiman, “Klasifikasi citra menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, 2016.
K. Chauhan dan S. Ram, “Image classification with deep learning and comparison between different convolutional neural network structures using tensorflow and keras,” International Journal of Advance Engineering and Research Development, vol. 5, Issue 02, hal. 533-538, 2018.
S. Samuel, “Pengenalan Deep Learning Part 7 : Convolutional Neural Network”, medium.com, Nov 13, 2017. [Daring]. Tersedia: https://medium.com/@samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94. [Dikases 23Agustus 2019].
J. Brownlee, “How to configure image data augmentation in Keras”, April, 2019. [Daring]. Tersedia: https://machinelearningmastery.com/how-to-configure-image-data-augmentation-when-training-deep-learning-neural-networks/. [Diakses 5 Juli 2019].
L. Zmudzinski, “Deep learning guinea pig image classification using Nvidia DIGITS and GoogLeNet”, 2016. [Daring]. Tersedia: http://ceur-ws.org/Vol-2240/paper16.pdf . [Diakses 26 Agustus 2019].
N. Srivastava, G. Hinton, A. Krizhevsy, I. Sutskever, dan R. Salakhutdinov, “Dropout: A Simple way to prevent neural networks from overfitting,” Journal Machine Learning Research, vol. 15, no. 1, hal. 1929-1958, 2014.
Keras Documentation. “Keras : The Python Deep Learning library”. [Daring]. Tersedia: https://keras.io/. [Diakses 26 Agustus 2019].
