Model Klasifikasi Jenis Hewan Dengan SVM, KNN, Logistic Regression Menggunakan Pre-Trained VGG 16
DOI:
https://doi.org/10.53513/jis.v22i2.8314Keywords:
Jenis Hewan, Klasifikasi, Gambar, Prediksi, Akurasi.Abstract
Proses komputasi serta filtering pada komputer untuk melaksanakan suatu tugas yang diinginkan untuk melakukan kegiatan tertentu tentunya tidak lepas dari sebuah metode pada pembelajaran. Dalam proses pembelajaran tersebut ada beberapa dari berbagai metode dapat dilakukan untuk dapat memenuhi periode training dan uji tersebut untuk memberikan komputer suatu keahlian tertentu. Salah satu cara tujuan untuk melakukan penunjang pada periode tersebut adalah dengan menggunakan algoritma support vector machine, k-nearest neighbor, dan logistic regression. Dimana pada algoritma ini mampu memuat keseluruhan skala informasi klasifikasi objek tanpa kehilangan dari pengetahuan keakuratannya. Tujuan dari penelitian ini adalah memberikan pada komputer dalam menggali 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 dari bebrapa hewan yang memiliki 10 jenis hewan yang dekat kepada manusia salah satunya hewan ternak, peliharaan, dan buas. Kemudian test akan dilakukan dengan cara yang sama setelah melalui tahapan konvulasi training. Hasil dari penelitian ini keakuratan hasil training mencapai 84%.References
K. O. Lauw et al., “Identifikasi Jenis Anjing Berdasarkan Gambar Menggunakan Convolutional Neural Network Berbasis Android,†J. Infra, vol. 8, no. 2, pp. 37–43, 2020.
H. Dhika, N. R. Kurnianda, P. Irfansyah, and W. Ananta, “Model Prediksi Jenis Hewan dengan Metode Convolution Neural Network,†J. fORMAT, vol. 9, no. 1, pp. 31–40, 2020.
M. Afif, A. Fawwaz, K. N. Ramadhani, and F. Sthevanie, “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network(CNN),†J. Tugas Akhir Fak. Inform., vol. 8, no. 1, pp. 715–730, 2020.
E. D. Suryanto, “Ekstraksi Fitur Haralick Menggunakan Citra Mikroskop Digital Trinocular Untuk Proses Identifikasi Cacing Penyakit Kaki Gajah,†no. October, pp. 1–85, 2015.
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.
Siti Khotimatul Wildah, S. Agustiani, Ali Mustopa, Nanik Wuryani, Hendri Mahmud Nawawi, and Rizky Ade Safitri, “Pengenalan Wajah Menggunakan Pembelajaran Mesin Berdasarkan Ekstraksi Fitur Pada Gambar Wajah Berkualitas Rendah,†INFOTECH J. Inform. Teknol., vol. 2, no. 2, pp. 95–103, 2021.
E. Zangeneh, M. Rahmati, and Y. Mohsenzadeh, “Low resolution face recognition using a two-branch deep convolutional neural network architecture,†Expert Syst. Appl., vol. 139, pp. 1–11, 2020.
F. Setiawan and D. A. R., “Sistem Pengenalan Wajah Dengan Metode Local Binary Pattern Histogram Pada Firebase,†SeNTIK, vol. 4, no. 1, pp. 19–25, 2020.
M. Athoillah, “Pengenalan Wajah Menggunakan SVM Multi Kernel dengan Pembelajaran yang Bertambah,†J. Online Inform., vol. 2, no. 2, p. 84, 2018.
A. U. Haq, J. P. Li, M. H. Memon, S. Nazir, R. Sun, and I. Garciá-Magarinõ, “A hybrid intelligent system framework for the prediction of heart disease using machine learning algorithms,†Mob. Inf. Syst., vol. 2018, 2018.
D. Devito, R. C. Wihandika, and A. W. Widodo, “Ekstraksi Ciri Untuk Klasifikasi Gender Berbasis Citra Wajah Menggunakan Metode Histogram of Oriented Gradients,†Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 8. pp. 8002–8011, 2019.
“Face Recognition Untuk Sistem Pengaman Rumah Menggunakan Metode HOGdan KNN Berbasis Embedded.†.
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., vol. 18, no. 6, pp. 969–973, 2021.
Y. Yohannes, M. R. Pribadi, and L. Chandra, “Klasifikasi Jenis Buah dan Sayuran Menggunakan SVM Dengan Fitur Saliency-HOG dan Color Moments,†Elkha, vol. 12, no. 2, p. 125, 2020.
D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,†J. Tekno Kompak, vol. 14, no. 2, p. 86, 2020.
F. Handayani, “Komparasi Support Vector Machine, Logistic Regression Dan Artificial Neural Network Dalam Prediksi Penyakit Jantung,†J. Edukasi dan Penelit. Inform., vol. 7, no. 3, p. 329, 2021.
A. Bimantara and T. A. Dina, “Klasifikasi Web Berbahaya Menggunakan Metode Logistic Regression,†Annu. Res. Semin., vol. 4, no. 1, pp. 173–177, 2019.
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.
