Model Prediksi Jenis Hewan dengan Metode Convolution Neural Network

Harry Dhika; Nia Rahma Kurnianda; Puput Irfansyah; Wisnu Ananta

Model Prediksi Jenis Hewan dengan Metode Convolution Neural Network

Harry Dhika, Nia Rahma Kurnianda, Puput Irfansyah, Wisnu Ananta

Abstract

Proses komputasi pada komputer untuk melaksanakan suatu tugas tertentu tentunya tidak lepas dari metode pembelajaran. Dalam proses pembelajaran, berbagai metode dapat dilakukan untuk dapat memenuhi periode training tersebut untuk memberikan komputer suatu keahlian tertentu. Salah satu cara menunjang periode tersebut adalah dengan menggunakan algoritma deep learning convolution neural network (CNN). CNN mampu memuat keseluruhan skala informasi klasifikasi objek tanpa kehilangan keakuratannya. Tujuan dari penelitian ini adalah memberikan komputer kemampuan untuk mengenali jenis binatang dan memprediksi jenis binatang berdasarkan gambar yang dimasukan. Penelitian ini juga bertujuan untuk menilai keakuratan hasil training metode pembelajaran dibangkan dengan hasil keluaran dari pembelajaran. Metode yang digunakan dalam penelitian ini adalah mentraining secara komputasi, sejumlah gambar kucing dan anjing. Kemudian test akan dilakukan dengan cara yang sama setelah melalui tahapan konvulasi training. Hasil dari penelitian ini keakuratan hasil training mencapai 97,56%

Keywords

CNN, Deep Learning, Prediksi Jenis Binatang

Full Text:

PDF

References

D. Indarti, “KARAKTERISTIK KURVA SEDERHANA OBJECT RECOGNITION IN IMAGE BASED ON SIMILARITY,” vol. 20, no. 100.

D. Ricardo and G. Gasim, “Perbandingan Akurasi Pengenalan Jenis Beras dengan Algoritma Propagasi Balik pada Beberapa Resolusi Kamera,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 131–140, 2019, doi: 10.29207/resti.v3i2.894.

D. M. Hakim and E. Rainarli, “Convolutional Neural Network untuk Pengenalan Citra Notasi Musik,” Techno.Com, vol. 18, no. 3, pp. 214–226, 2019, doi: 10.33633/tc.v18i3.2387.

T. Trnovszky, P. Kamencay, R. Orjesek, M. Benco, and P. Sykora, “Animal recognition system based on convolutional neural network,” Adv. Electr. Electron. Eng., vol. 15, no. 3, pp. 517–525, 2017, doi: 10.15598/aeee.v15i3.2202.

C. Mora, D. P. Tittensor, S. Adl, A. G. B. Simpson, and B. Worm, “How many species are there on earth and in the ocean?,” PLoS Biol., vol. 9, no. 8, pp. 1–8, 2011, doi: 10.1371/journal.pbio.1001127.

Y. H. Zhang and X. Jia, “Republication of conference papers in journals?,” Learn. Publ., vol. 26, no. 3, pp. 189–196, 2013, doi: 10.1087/20130307.

J. L. Wu and W. Y. Ma, “A Deep Learning Framework for Coreference Resolution Based on Convolutional Neural Network,” Proc. - IEEE 11th Int. Conf. Semant. Comput. ICSC 2017, pp. 61–64, 2017, doi: 10.1109/ICSC.2017.57.

Z. Li, G. Chen, and T. Zhang, “Temporal attention networks for multitemporal multisensor crop classification,” IEEE Access, vol. 7, pp. 134677–134690, 2019, doi: 10.1109/ACCESS.2019.2939152.

Y. Lecun and Y. Bengio, “Convolutional Neural Networks for Images, Speech and Time-Series,” AT&T Bell Lab., 1995.

T. Purwaningsih, T. Nurhikmat, and P. B. Utami, “Image classification of Golek puppet images using convolutional neural networks algorithm,” Int. J. Adv. Soft Comput. its Appl., vol. 11, no. 1, pp. 34–45, 2019.

A. Shrestha and A. Mahmood, “Review of deep learning algorithms and architectures,” IEEE Access, vol. 7, pp. 53040–53065, 2019, doi: 10.1109/ACCESS.2019.2912200.

A. Chatterjee, J. Saha, J. Mukherjee, S. Aikat, and A. Misra, “Unsupervised Land Cover Classification of Hybrid and Dual-Polarized Images Using Deep Convolutional Neural Network,” IEEE Geosci. Remote Sens. Lett., pp. 1–5, 2020, doi: 10.1109/lgrs.2020.2993095.

K. Yin, Robert, Qualitative Research from Start to Finish 2nd Edition, 2nd ed. New York, 2016.

A. Agarwal, S. Gupta, and T. Choudhury, “Continuous and Integrated Software Development using DevOps,” 2018 Int. Conf. Adv. Comput. Commun. Eng., no. June, pp. 290–293, 2018, doi: 10.1109/icacce.2018.8458052.

S. Wolfert, L. Ge, C. Verdouw, and M. J. Bogaardt, “Big Data in Smart Farming – A review,” Agric. Syst., vol. 153, pp. 69–80, 2017, doi: 10.1016/j.agsy.2017.01.023.

W. Gunawan, “Pengembangan Aplikasi Berbasis Android Untuk Pengenalan Huruf Hijaiyah,” vol. 6, no. 1, pp. 69–76, 2019.

DOI (PDF): http://dx.doi.org/10.22441/format.2020.v9.i1.004

Refbacks

There are currently no refbacks.

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Format : Jurnal Ilmiah Teknik Informatika
Fakultas Ilmu Komputer Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215840816
http://publikasi.mercubuana.ac.id/index.php/format