KLASIFIKASI JENIS KUCING MENGGUNAKAN METODE DEEP LEARNING

Dalam perkembangan teknologi kecerdasan buatan, terutama dalam pengenalan gambar, dan mengalami kemajuan signifikan dalam beberapa tahun terakhir, Salah satu inovasi terbaru adalah EfficientNetB0. Kucing domestik (Felis catus) adalah hewan yang telah lama menjadi bagian dari kehidupan manusia, berfungsi sebagai hewan peliharaan, pengendali hama, dan sahabat setia. Penelitian ini bertujuan mengklasifikasikan berbagai jenis kucing menggunakan metode deep learning dengan arsitektur EfficientNetB0. Dengan populasi yang besar dan beragam, kucing telah berkembang menjadi berbagai jenis dengan karakteristik fisik dan perilaku yang unik. Penelitian ini dilakukan dengan menggunakan pendekatan kuantitatif eksperimental dengan menggunakan data sekunder. Penelitian ini menggunakan data open acces dari Kaggle yang mencakup dua belas jenis kucing yaitu abyssunian, bengal, birman, bombay, british shorthair, egyptian mau, maine coon, persian, ragdoll, russian blue, siamese, sphynx. Tahapan penelitian meliputi pengumpulan dan pembagian data, pelatihan model menggunakan arsitektur EfficientNetB0, serta pengujian dengan evaluasi menggunakan Confusion Matrix. Sembilan model dengan variasi hyperparameter diuji untuk menemukan model dengan akurasi tertinggi. Model sembilan mencapai akurasi validasi tertinggi sebesar 99.82%. Evaluasi menunjukkan bahwa model kesembilan mencapai rata-rata akurasi tertinggi sebesar 99%. Hasil ini mengindikasikan bahwa peningkatan jumlah data dan pengaturan parameter dapat secara signifikan menngkatkan akurasi model, menunjukkan bahwa dengan lebih banyak data pelatihan dan pengaturan parameter yang optimal, model dapat mencapai kinerja yang hampir sempurna