Deteksi Objek Anjing dan Kucing Menggunakan Faster R-CNN
Keywords:
Deteksi Objek, Faster R-CNN, Anjing dan Kucing, Albumentations, Gradient Accumulation, Deep LearningAbstract
Penelitian ini bertujuan untuk mengatasi tantangan dalam deteksi objek hewan peliharaan, khususnya anjing dan kucing, yang memiliki variasi intra-kelas yang tinggi serta kemiripan visual yang signifikan antar ras. Metode yang diusulkan adalah arsitektur Deep Learning Faster R-CNN dengan backbone ResNet50-FPN. Untuk meningkatkan performa model pada dataset Oxford-IIIT Pet yang memiliki keterbatasan jumlah sampel dan ketidakseimbangan kelas, penelitian ini menerapkan strategi modifikasi berupa augmentasi data lanjutan menggunakan pustaka Albumentations dan teknik Gradient Accumulation. Augmentasi data diterapkan untuk memperkaya variasi pose dan kondisi pencahayaan, sedangkan Gradient Accumulation digunakan untuk menstabilkan proses pelatihan pada batch size kecil akibat keterbatasan memori GPU. Hasil eksperimen menunjukkan bahwa model yang dimodifikasi mampu mencapai performa optimal pada Epoch ke-11 dengan skor Mean Average Precision (mAP) sebesar 0.7519. Analisis kurva loss menunjukkan konvergensi yang stabil antara data latih dan validasi, mengindikasikan bahwa teknik augmentasi yang diterapkan efektif dalam mencegah overfitting. Penelitian ini membuktikan bahwa integrasi strategi augmentasi geometris dan akumulasi gradien dapat meningkatkan ketahanan model deteksi objek secara signifikan pada domain hewan peliharaan.
References
Arif, M. F., Nurkholis, A., Laia, S., & Rosyani, P. (2023). Deteksi kendaraan dengan metode YOLO. Jurnal Artificial Intelligence dan Sistem Penunjang Keputusan, 1(1). https://jurnalmahasiswa.com/index.php/aidanspk
Azizi, E., & Zaman, L. (2023). Deep learning pet identification using face and body. Information, 14(5), 278. https://doi.org/10.3390/info14050278
Deepak, G. D., & Bhat, S. K. (2025). Optimization of deep learning-based Faster R-CNN network for vehicle detection. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-22828-z
Firmansyah, A., Itsnan, A. F., Apip, A., Mulliya, R. T., & Rosyani, P. (2024). Sistem absensi mahasiswa menggunakan face recognition dengan algoritma CNN. Jurnal Mahasiswa. https://jurnalmahasiswa.com/index.php/aidanspk
Ikasari, I. H., Saputra, R. Y., Prasdio, S., Kurniagis, M. F., Rosyani, P., & Janariandana, Z. (2025). Classification of pneumonia medical images with convolutional neural networks. International Journal of Integrated Science, 4(1), 127–134. https://doi.org/10.55927/ijis.v4i1.13511
Justam, J., Malik, A., Erlita, E., Mangellak, D., & Yuyun, Y. (2024). Perbandingan kinerja YOLO vs Faster R-CNN untuk deteksi dan estimasi berat ikan. Jurnal Ilmiah Sistem Informasi dan Teknologi Informasi, 7(2), 363–376. https://doi.org/10.57093/jisti.v7i2.273
Korkmaz, A., Agdas, M. T., Kosunalp, S., Iliev, T., & Stoyanov, I. (2024). Detection of threats to farm animals using deep learning models: A comparative study. Applied Sciences, 14(14), 6098. https://doi.org/10.3390/app14146098
Lyu, H., Qiu, F., An, L., Stow, D., Lewison, R., & Bohnett, E. (2024). Deer survey from drone thermal imagery using enhanced Faster R-CNN based on ResNets and FPN. Ecological Informatics, 79, 102383. https://doi.org/10.1016/j.ecoinf.2023.102383
Mumuni, A., & Mumuni, F. (2022). Data augmentation: A comprehensive survey of modern approaches. Array, 100258. https://doi.org/10.1016/j.array.2022.100258
Murdifin, M., & Uyun, S. (2025). Klasifikasi hewan anjing, kucing, dan harimau menggunakan metode convolutional neural network (CNN).
Wang, H., & Xiao, N. (2023). Underwater object detection method based on improved Faster R-CNN. Applied Sciences, 13(4), 2746. https://doi.org/10.3390/app13042746
