DOI: https://doi.org/10.14710/jtk.v1i4.37009

Analisis Perbandingan Model CNN VGG16 dan DenseNet121 Menggunakan Kerangka Kerja TensorFlow untuk Deteksi Jenis Hewan

*Wahyu Wijaya Kusuma  -  Departemen Teknik Komputer, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
R. Rizal Isnanto orcid scopus  -  Departemen Teknik Komputer, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Adnan Fauzi scopus  -  Departemen Teknik Komputer, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Akses Terbuka Copyright (c) 2023 Jurnal Teknik Komputer

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Citation Format:
Sari
Penelitian ini membandingkan kinerja dari model CNN VGG16 dan DenseNet121 dalam mendeteksi jenis hewan. Dataset yang digunakan adalah dataset citra 10 jenis hewan. Jumlah dataset yang diambil adalah 14500. 10000 untuk pelatihan, 2500 untuk validasi, dan 2000 untuk pengujian. Kedua model dilatih masing-masing selama 30 epoch. Berdasarkan hasil penelitian, VGG16 memiliki tingkat Akurasi 0,97, Presisi 0,90, Recall 0,90 dan F1 Score 0,90. Sementara model DenseNet121 memiliki tingkat Akurasi 0,98, Presisi 0,95, Recall 0,95, dan F1 Score 0,95. Dari hasil penelitian, dapat disimpulkan bahwa model DenseNet121 mampu mengklasifikasikan gambar jenis hewan lebih baik dari model VGG16
Fulltext View|Download
Kata Kunci: Klasifikasi Gambar;Convolutional Neural Network;Hewan;VGG16; DenseNet121

Article Metrics:

Article Info
Bagian: Artikel
Bahasa : ID
Recent articles
Pengembangan Sistem Informasi Geografis Banjir di Kabupaten Klaten dengan Memanfaatkan Media Website dan WhatsApp Perancangan Sistem Pencatatan Konsultasi Bimbingan Mahasiswa-Dosen Teknik Komputer Universitas Diponegoro Menggunakan Kerangka Kerja Codeigniter Perancangan Sistem Informasi Perpustakaan Berbasis Web dalam Upaya Mewujudkan Digitalisasi Sistem Administrasi Perpustakaan di SD Negeri 1 Tambak More recent articles
  1. Lecun et al, "Gradient based learning applied to document recognition", Proceedings of IEEE, no.86 November, pp.2278-2324, 1998
  2. Krizhevsky, Alex, Ilya Sutskever, dan Geoffrey E. Hinton, "Imagenet classification with deep convolutional neural networks.", Communications of the ACM 60.6 84-90, 2017
  3. Tanuwijaya, E. dan A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia”, Matrik: Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer, 21(1), 189-196, 2021
  4. Rochmawanti, O., F. Utaminingrum, dan F.A. Bachtiar, “Analisis Performa Pre-Trained Model Convolutional Neural Network dalam Mendeteksi Penyakit Tuberkulosis”, Jurnal Teknologi Informasi dan Ilmu Komputer, 8(4), 805-814, 2021.
  5. Thunder, Bintang. "Implementasi Algoritma Convolutional Neural Networks di Microsoft Azure untuk Mendeteksi Jenis Kebutaan Mata yang Dialami Penderita Penyakit Diabetes.", 2018
  6. Suhardin, Ikbal, Andi Patombongi, dan Andi Muhammad Islah. "Mengidentifikasi Jenis Tanaman Berdasarkan Citra Daun Menggunakan Algoritma Convolutional Neural Network." Simtek: Jurnal Sistem Informasi dan Teknik Komputer 6.2, 100-108, 202
  7. Danukusumo, Kefin Pudi, “Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis Gpu”. E-Journal UAJY, 2017
  8. Rahman, Fatur, “Implementasi Convolutional Neural Networks menggunakan VGG-19 Net pada Image Depth Data Hand Posture”, Diss. Universitas Hasanuddin, 2020
  9. Simonyan, Karen, dan Andrew Zisserman, "Very deep convolutional networks for large-scale image recognition.", arXiv preprint arXiv:1409.1556, 2014
  10. Huang, G., Z. Liu, L. van der Maaten, dan K. Q. Weinberger, “Densely Connected Convolutional Networks”, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), ---(---), 2261-2269, 2018
  11. Samuel Sena, “Pengenalan Deep Learning Part 7 : Convolutional Neural Network”, 13 November 2017, https://medium.com/@samuelsena/pengenalan-deep-learning-part-7-convolutional-neural-network-cnn-b003b477dc94, diakses pada 10 November 2022
  12. Putra, M., dan M. Putera, "Analisis Perbandingan metode SOAP dan REST yang digunakan pada Framework Flask untuk membangun Web Service.", SCAN-Jurnal Teknologi Informasi dan Komunikasi,14 (2) 1-7 2019
  13. Pangestu, Ridho Aji, Basuki Rahmat, dan Fetty Tri Anggraeny, "Implementasi algoritma CNN untuk klasifikasi citra lahan dan perhitungan luas.", JIFOSI: Jurnal Informatika dan Sistem Informasi, 1 (1), 649-654, 2020

Last update:

No citation recorded.

Last update:

No citation recorded.