Implementasi Computer Vision untuk Klasifikasi Gambar Kucing dan Anjing Menggunakan OpenCV-Python
Keywords:
Computer Vision, Klasifikasi Gambar, OpenCV, Python, Convolutional Neural Network, Kucing, Anjing, Augmentasi Data, Pemrosesan GambarAbstract
Studi kasus ini peneliti membahas implementasi computer vision untuk klasifikasi gambar kucing dan anjing menggunakan OpenCV dan Python. Tujuan dari di buatnya studi kasus ini adalah untuk dapat mengembangkan model klasifikasi yang dapat membedakan antara gambar kucing dan anjing dengan tingkat akurasi yang tinggi. Proses dimulai dengan pengumpulan dataset dari gambar kucing dan anjing yang kemudian di proses untuk meningkatkan kualitas dari gambar . Teknik augmentasi data akan diterapkan untuk memperluas variasi dataset dan meningkatkan performa model. Algoritma Convolutional Neural Network (CNN) digunakan sebagai dasar model klasifikasi. Model CNN dilatih menggunakan dataset yang telah dipreproses dan divalidasi dengan menggunakan cross-validation untuk menghindari overfitting. OpenCV digunakan untuk menangani operasi gambar dasar seperti resizing, konversi warna, dan augmentasi data, sementara framework deep learning seperti TensorFlow untuk digunakan untuk membangun dan melatih model CNN. Hasil eksperimen akan menunjukkan bahwa model CNN dapat diimplementasikan mampu mencapai tingkat akurasi yang memuaskan dalam mengklasifikasikan gambar kucing dan anjing.
References
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. Proceedings of the European Conference on Computer Vision (ECCV), 21-37.
Van der Walt, S., Schönberger, J. L., Nunez-Iglesias, J., Boulogne, F., Warner, J. D., Yager, N., & Yu, T. (2014). scikit-image: image processing in Python. PeerJ, 2, e453. Google Colaboratory. (n.d.). Retrieved from https://colab.research.google.com/OpenCV. (n.d.). Open Source Computer Vision Library. Retrieved from https://opencv.org/
Wibowo, A., & Anggoro, B. S. (2018). Deteksi dan Klasifikasi Objek Menggunakan OpenCV dan Python pada Robot Line Follower. Jurnal Informatika: Jurnal Pengembangan IT, 13(1), 12-20.
Suhendra, I. (2020). Penerapan Augmentasi Data untuk Meningkatkan Akurasi Model Deep Learning dalam Klasifikasi Citra. Seminar Nasional Teknologi Informasi dan Multimedia 2020, Universitas Dian Nuswantoro, 45-52.
Utami, T. R., & Kurniawan, R. (2017). Pemanfaatan Google Colaboratory untuk Pengembangan Model Machine Learning. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(4), 289-298.
Handayani, D., & Prasetyo, E. (2020). Pemanfaatan TensorFlow untuk Pengenalan Pola Teks pada Dokumen Digital. Jurnal Rekayasa Sistem dan Teknologi Informasi, 4(2), 110-118.
Nurhayati, N., & Supriyadi, T. (2018). Implementasi Teknik Data Augmentation pada Pengolahan Citra Digital untuk Peningkatan Akurasi Model Deep Learning. Prosiding Seminar Nasional Informatika, 2018, Universitas Pembangunan Nasional "Veteran" Yogyakarta, 54-61.
Priyanto, S., & Hidayat, R. (2016). Pengenalan Karakter Menggunakan Convolutional Neural Network pada Platform Google Colab. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(3), 199-210.
Perdana, W., Honi, R. A., Wibowo, B., & Rosyani, P. (2023). Studi Literature Review: Perbandingan Metode Klasifikasi Kecerdasan Buatan Pada Computer Vision. JURIHUM: Jurnal Inovasi dan Humaniora, 1(1), 192-195.
ROSYANI, Perani; RETNAWATI, Retnawati. Ekstraksi Fitur Wajah Menggunakan Metode Viola Jones dengan Tools Cascade Detector. JURIKOM (Jurnal Riset Komputer), 2023, 10.2: 633-639.
Firmansyah, A., Itsnan, A. F., Apip, A., Mullia, R. T., & Rosyani, P. (2024). SISTEM ABSENSI MAHASISWA MENGGUNAKAN FACE RECOGNITION DENGAN ALGORITMA CNN. AI dan SPK: Jurnal Artificial Intelligent dan Sistem Penunjang Keputusan, 1(4).
