KLASIFIKASI JENIS ANJING MENGGUNAKAN METODE CNN BERBASIS MOBILE

Ibrahim, Velika Dwilestari (2021) KLASIFIKASI JENIS ANJING MENGGUNAKAN METODE CNN BERBASIS MOBILE. S1 thesis, Universitas Atma Jaya Yogyakarta.

[img]
Preview
Text (Velika Dwilestari Ibrahim)
170709223_bab 0.pdf

Download (687kB) | Preview
[img]
Preview
Text
170709223_bab 1.pdf

Download (607kB) | Preview
[img]
Preview
Text
170709223_bab 2.pdf

Download (279kB) | Preview
[img]
Preview
Text
170709223_bab 3.pdf

Download (761kB) | Preview
[img] Text
170709223_bab 4.pdf
Restricted to Registered users only

Download (2MB)
[img] Text
170709223_bab 5.pdf
Restricted to Registered users only

Download (1MB)
[img]
Preview
Text
170709223_bab 6.pdf

Download (222kB) | Preview

Abstract

Anjing merupakan salah satu jenis hewan yang dikenal ramah dan tidak sedikit manusia yang memelihara anjing. Anjing memiliki jenis yang beragam dimulai dari anjing ras kecil sampai anjing ras besar. Banyaknya jenis anjing sulit bagi manusia awam membedakan jenisnya. Berdasarkan permasalahan diatas, maka akan dibangun sebuah sistem berbasis mobile untuk mengklasifikasikan jenis anjing. Metode Convolutional Neural Network (CNN) merupakan salah satu metode yang dilakukan untuk klasifikasi. Penelitian yang dilakukan kali ini menerapkan proses transfer learning dengan menggunakan salah satu arsitektur dari CNN yaitu Xception dalam proses klasifikasi jenis anjing. Penelitian ini menggunakan 20.580 citra untuk dataset dan 120 jenis anjing. Penelitian terbagi dua tahap yaitu pengembangan model dan pembangunan sistem. Pengembangan model menggunakan input size 299 x 299 pixel dengan 10 epoch dan didapat akurasi dengan rata- rata 85.1%.

Item Type: Thesis (S1)
Uncontrolled Keywords: Convolutional Neural Network, Xception, klasifikasi, jenis anjing, anjing
Subjects: Teknik Informatika > Mobile Computing
Divisions: Fakultas Teknologi Industri > Teknik Informatika
Depositing User: Editor 3 uajy
Date Deposited: 11 Feb 2022 10:24
Last Modified: 11 Feb 2022 10:24
URI: http://e-journal.uajy.ac.id/id/eprint/26281

Actions (login required)

View Item View Item