KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Kucing banyak dipelihara sebagai hewan pendamping dan menunjukkan variasi antar ras yang signifikan dalam penampilan serta perilaku yang memengaruhi kebutuhan perawatannya. Penelitian ini mengembangkan sebuah klasifikator citra ringan untuk mengidentifikasi dua belas ras kucing umum dengan memanfaatkan pendekatan transfer learning pada backbone EfficientNet-B0. Eksperimen membandingkan empat algoritma optimisasi (SGD, AdaGrad, RMSProp, dan Adam) untuk menentukan strategi pelatihan yang menyeimbangkan kecepatan konvergensi dan kemampuan generalisasi. Kinerja model diukur menggunakan anlisis confusion matrix dan metrik klasifikasi standar (akurasi, presisi, recall, dan F1-score). Konfigurasi terbaik, yakni EfficientNet-B0 yang di fine tuned dengan optimizer Adam, mencapai akurasi pelatihan 92%, akurasi validasi 89%, dan akurasi 88% pada partisi uji terpisah. Model yang terlatih diekspor dan diintegrasikan ke dalam aplikasi web sederhana berbasis Flask dengan penyimpanan SQLite, kemudian diuji menggunakan skema blackbox untuk menilai keandalan fungsional. Seluruh fungsi inti memenuhi spesifikasi dan prediksi runtime menunjukkan kesesuaian yang tinggi dengan label sebenarnya. Sistem ini menawarkan alat cepat dan praktis bagi pemilik serta penggemar kucing untuk mengidentifikasi ras di lingkungan nyata, sekaligus menyoroti manfaat transfer learning pada implementasi web yang ringkas.

This study developed and evaluated a cat breed identification using EfficientNet-B0 and a comparative examination of four optimizers.Results show that the choice of optimizer materially influenced training dynamics and generalization.AdaGrad achieved the highest training accuracy but exhibited earlier plateauing and signs of overfitting.At the same time, Adam provided the best balance of convergence, stability, and test set performance, achieving 88% accuracy on the held out set.Confusion matrix analysis highlighted strong recognition for breeds such as Bombay and Sphynx and recurring confusion among visually similar categories.End to end verification demonstrated that the model can be integrated into a lightweight Flask service with reliable functionality.A small real world trial (10 external images) produced 80% correct identifications, supporting the systems practical applicability for in distribution images.

Untuk penelitian lanjutan, disarankan untuk memperluas dan mendiversifikasi corpus evaluasi agar dapat menangkap variasi dunia nyata (pencahayaan, pose, latar belakang, dan campuran ras). Selain itu, perlu dilakukan investigasi terhadap augmentasi data yang lebih substansial atau metode augmentasi data generatif untuk mengurangi kebingungan kelas. Perbandingan yang lebih luas di seluruh backbone (CNN ringan yang lebih besar atau varian EfficientNet, hibrida transformer sistematis) dan pencarian hiperparameter/optimizer yang lebih sistematis (termasuk optimizers dan strategi regulasi terbaru) dapat menjelaskan trade-off antara akurasi, latensi, dan ukuran model. Secara operasional, mengadopsi praktik MLOps dasar seperti pemuatan model satu kali, versioning model, monitoring, dan pengujian otomatis serta melakukan studi pengguna dengan pemilik kucing atau dokter hewan akan lebih memvalidasi kegunaan dan memberikan panduan perbaikan untuk adopsi dunia nyata.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s11042-022-13820-0Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s11042 022 13820 0
  2. TRANSFER LEARNING WITH EFFFICIENTNET-B0 FOR CAT BREED CLASSIFICATION: A COMPARATIVE EVALUATION OF OPTIMIZERS... ejournal.kresnamediapublisher.com/index.php/jri/article/view/417TRANSFER LEARNING WITH EFFFICIENTNET B0 FOR CAT BREED CLASSIFICATION A COMPARATIVE EVALUATION OF OPTIMIZERS ejournal kresnamediapublisher index php jri article view 417
Read online
File size940.93 KB
Pages11
DMCAReport

Related /

ads-block-test