Transfer Learning Menggunakan Model VGG16 untuk Klasifikasi Citra Hewan
DOI:
https://doi.org/10.55382/jurnalpustakaai.v5i2.1171Keywords:
transfer learning, VGG16, klasifikasi citra, augmentasi citra, CNNAbstract
Studi ini berfokus pada implementasi transfer learning menggunakan arsitektur VGG16 untuk mengklasifikasikan citra ke dalam tiga kelas utama: cat, dog, dan fox. Dataset yang digunakan terdiri dari kumpulan citra yang disusun dalam struktur folder berdasarkan label kelasnya. Untuk meningkatkan performa model dan memperkaya keragaman data pelatihan, augmentasi citra sistematis dilakukan menggunakan teknik-teknik seperti rotasi, translasi, pembesaran, geseran, perubahan kecerahan, dan pembalikan horizontal. Proses pelatihan dilakukan menggunakan fitur pretrained VGG16 yang telah dilatih sebelumnya yang dibekukan pada tahap awal. Selanjutnya, lapisan terhubung penuh ditambahkan sebagai pengklasifikasi. Dataset dibagi menjadi dua subset dengan rasio 80:20 untuk pelatihan dan pengujian, kemudian dievaluasi menggunakan metrik akurasi, matriks konfusi, dan laporan klasifikasi. Hasil percobaan menunjukkan bahwa model dapat mencapai akurasi validasi sebesar 94% dan berkinerja baik di semua kelas, sebagaimana dibuktikan oleh nilai presisi, recall, dan f1-score yang tinggi. Hasil ini menunjukkan bahwa pendekatan transfer learning dengan augmentasi citra dapat digunakan secara efektif untuk klasifikasi citra jenis hewan.
Downloads
References
M. Murinto, M. Rosyda, and M. Melany, “Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2,” JRST (Jurnal Riset Sains dan Teknologi), vol. 7, no. 2, p. 183, Sep. 2023, doi: 10.30595/jrst.v7i2.16788.
N. Wangsa Kencana and R. Umar, “JIP (Jurnal Informatika Polinema) Implementasi Transfer Learning Untuk Klasifikasi Jenis Ras Ayam Menggunakan Arsitektur MobileNetV2,” no. 11, Feb. 2025.
A. S. Riyadi, I. P. Wardhani, D. S. Widayati, and K. Kunci, “Klasifikasi Citra Anjing Dan Kucing Menggunakan Metode Convolutional Neural Network (CNN),” Universitas Gunadarma Jl. Margonda Raya No, vol. 5, no. 1, p. 12140, 2021.
D. Santosa, I. Fauzi, R. K. Muslim, and T. Muhaziz, “Penggunaan Transfer Learning dalam Klasifikasi Kanker Prostat,” 2024, [Online]. Available: https://jurnalmahasiswa.com/index.php/jriin
A. A. Siddiqui and C. Kayte, “Transfer Learning for Mosquito Classification Using VGG16,” 2023, pp. 471–484. doi: 10.2991/978-94-6463-196-8_36.
M. T. A. Syech Ahmad and B. Sugiarto, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Ikan Cupang Berbasis Mobile,” Digital Transformation Technology, vol. 3, no. 2, pp. 712–723, Dec. 2023, doi: 10.47709/digitech.v3i2.3245.
D. Ramayanti, D. Asri, and L. Lionie, “Implementasi Model Arsitektur VGG16 dan MobileNetV2 Untuk Klasifikasi Citra Kupu-Kupu,” JSAI: Journal Scientific and Applied Informatics, vol. 5, no. 3, 2022, doi: 10.36085.
E. Prasetyo, R. Purbaningtyas, R. Dimas Adityo, E. T. Prabowo, A. I. Ferdiansyah, and P. Korespondensi, “Perbandingan Convolution Neural Network Untuk Klasifikasi Kesegaran Ikan Bandeng Pada Citra Mata A Comparison Of Convolution Neural Network For Classifying Milkfish’s Freshness On Eye Images,” vol. 8, no. 3, pp. 601–608, 2021, doi: 10.25126/jtiik.202184369.
I. Riski, K. Putra, C. Sri, and K. Aditya, “Klasifikasi Citra Burung Cendrawasih Menggunakan Metode Convolutional Neural Network,” REPOSITOR, vol. 7, no. 2, pp. 189–198, 2025.
Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Jurnal Informatika dan Teknologi Informasi, vol. 18, no. 1, pp. 37–48, 2021, doi: 10.31515/telematika.v18i1.4025.
W. Chen et al., “A fusion of VGG-16 and ViT models for improving bone tumor classification in computed tomography,” J Bone Oncol, vol. 43, Dec. 2023, doi: 10.1016/j.jbo.2023.100508.
W. Juslan and A. H. Muhammad, “Evaluasi Kinerja Metode Peningkatan Kontras (CLAHE & HE) pada Klasifikasi Ras Kucing menggunakan VGG16,” Edumatic: Jurnal Pendidikan Informatika, vol. 9, no. 1, pp. 246–255, Apr. 2025, doi: 10.29408/edumatic.v9i1.29578.
F. B. Laksono, “Deteksi penyakit tanaman dengan convolution neural network: Kombinasi arsitektur VGG16 dan ResNet34 untuk klasifikasi daun,” Jurnal Komputer Dan Teknologi Informasi, vol. 2, no. 2, Jul. 2024, doi: 10.26714/jkti.v2i2.13932.
S. Saifullah et al., “Nondestructive Chicken Egg Fertility Detection Using CNN-Transfer Learning Algorithms,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 9, no. 3, pp. 854–871, Sep. 2023, doi: 10.26555/jiteki.v9i3.26722.
Ety Sutanty, Maukar, Dina Kusuma Astuti, and Handayani, “Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 3, no. 2, pp. 407–419, Sep. 2023, doi: 10.51454/decode.v3i2.331.
M. Iqbal Burhanuddin, A. Syaifullah, S. Adeka Putra Jaya, M. Gabriel Somoal, and U. Muhammadiyah HAMKA, “Analisis Komparatif Model MobilenetV1 Dan EfficientnetB0 Dalam Klasifikasi Citra Empat Musim Menggunakan Transfer Learning.”
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 hendri ardiansyah, Teti Desyani
This work is licensed under a Creative Commons Attribution 4.0 International License.
