Peningkatan Model Arsitektur Cnn Vgg–16 Menggunakan Fine Tuning Pada Klasifikasi Ras Kucing Melalui Gambar

Abstrak

Improving the VGG-16 CNN architecture model using fine tuning for cat breed classification through images is a method that can be used to improve the system's ability to classify cat breeds based on images. This research was conducted using a dataset of cat breed images consisting of 11 cat breeds (Bengal, Birman, Bombay, British Shorthair, Dilute Calico, Egyptian Mau, Maine Coon, Persian, Ragdoll, Sphynx, Tuxedo ). The previously trained VGG-16 CNN architecture model was then optimized using the fine tuning method to be more accurate in classifying cat breeds. The results of this research show that the implementation of fine tuning on the CNN VGG-16 architecture model can improve performance between the VGG-16 model as follows: Fine Tuning 0 with Fine Tuning 1 is 27.7%.

Abstrak 

Peningkatan model arsitektur CNN VGG-16 menggunakan fine tuning pada klasifikasi ras kucing melalui gambar merupakan suatu metode yang dapat digunakan untuk meningkatkan kemampuan sistem dalam mengklasifikasikan ras kucing berdasarkan gambar. Penelitian ini dilakukan dengan menggunakan dataset gambar ras kucing yang terdiri dari 11 jenis ras kucing (Bengal, Birman, Bombay, British Shorthair, Dilute Calico, Egyptian Mau, Maine Coon, Persian, Ragdoll, Sphynx, Tuxedo ). Model arsitektur CNN VGG-16 yang telah ditraining sebelumnya dioptimalkan dengan metode fine tuning agar dapat lebih akurat dalam mengklasifikasikan ras kucing. Hasil dari penelitian ini menunjukkan bahwa penerapan fine tuning pada model arsitektur CNN VGG-16 dapat meningkatkan kinerja antara model VGG-16 sebagai berikut : Fine Tuning 0 dengan Fine Tuning 1 adalah 27.7%.