Sistem Klasifikasi Hewan Berbasis Anroid Menggunakan Metode Convolutional Neural Network
Abstract
Perkembangan tren memelihara hewan peliharaan telah mengalami peningkatan signifikan dalam beberapa tahun terakhir. Namun, fenomena ini juga menghadapi tantangan signifikan yaitu tingginya angka penyerahan hewan peliharaan ke tempat penampungan. Salah satu alasan utama pemilik menyerahkan hewan peliharaannya adalah kurangnya pemahaman tentang biaya perawatan dan kesehatan hewan. Masalah ini juga diperburuk oleh kesalahan dalam klasifikasikan ras hewan oleh petugas penampungan, yang berdampak besar terhadap minat pengadopsi serta cara merawat hewan setelah diadopsi, terutama dalam hal penanganan masalah kesehatan hewan tersebut. Untuk mengatasi masalah tersebut, dikembangkan sebuah aplikasi yang dilengkapi dengan fitur klasifikasi hewan menggunakan kamera, yang mampu memberikan informasi mengenai hewan yang akan diadopsi. Fitur ini didasarkan pada metode convolutional neural network dalam machine learning. Penelitian ini mengembangkan model machine learning dengan memanfaatkan transfer learning menggunakan model Xception. Setelah dilatih dengan data dari 20 jenis ras hewan, model mencapai akurasi sebesar 72% dalam memprediksi ras hewan. Meskipun akurasi ini belum optimal, hasilnya sudah cukup memadai sebagai panduan awal bagi pengguna dalam mengidentifikasi ras hewan. Model tersebut kemudian diintegrasikan ke dalam aplikasi Android yang dibangun menggunakan framework Flutter. Setelah diimplementasikan, aplikasi terbukti beroperasi dengan baik dan berfungsi sesuai dengan harapan berdasarkan hasil pengujian black box dan white box. Aplikasi ini diharapkan memberikan manfaat signifikan bagi calon pemilik hewan peliharaan dengan menyajikan wawasan dasar tentang hewan yang akan diadopsi. Dengan demikian, calon pemilik dapat memahami tanggung jawab dan komitmen yang diperlukan sebelum mengambil keputusan untuk mengadopsi hewan peliharaan.
References
Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, 8(1), 53. https://doi.org/10.1186/s40537-021- 00444-8
Ameen, S. Y., & Mohammed, D. Y. (2022). Developing Cross-Platform Library Using Flutter. European Journal of Engineering and Technology Research, 7(2), 18–21. https://doi.org/10.24018/ejeng.2022.7.2.2740
Anjani, D., Hilaliyah, H., & Novianti, D. (2020). M-Absence: Analysis and Design using Unified Modelling Language (UML). Journal of Physics: Conference Series, 1539(1), 012040. https://doi.org/10.1088/1742-6596/1539/1/012040
Anjani, I. A., Pratiwi, Y. R., & Norfa Bagas Nurhuda, S. (2021). Implementation of Deep Learning Using Convolutional Neural Network Algorithm for Classification Rose Flower. Journal of Physics: Conference Series, 1842(1), 012002. https://doi.org/10.1088/1742-6596/1842/1/012002
Application of TensorFlow lite on embedded devices. (t.t.).
Aprilia, T. (2024). Analisa Perbandingan Inception dan Xception Berbasis CNN untuk Klasifikasi Wajah Hewan.
Bourhis, P., Reutter, J. L., & Vrgoč, D. (2020). JSON: Data model and query languages. Information Systems, 89, 101478. https://doi.org/10.1016/j.is.2019.101478
Burzykowski, T., Rousseau, A.-J., Geubbelmans, M., & Valkenborg, D. (2023). Introduction to machine learning. American Journal of Orthodontics and Dentofacial Orthopedics, 163(5), 732–734. https://doi.org/10.1016/j.ajodo.2023.02.005
Goh, K. W., Surono, S., Afiatin, M. Y. F., Mahmudah, K. R., Irsalinda, N., Chaimanee, M., & Onn, C. W. (2024). Comparison of Activation Functions in Convolutional Neural Network for Poisson Noisy Image Classification. Emerging Science Journal, 8(2), 592–602. https://doi.org/10.28991/ESJ-2024- 08-02-014
Good, P. (2023, April 24).Dog Breeds That Consistently Have the Most Health Problems. Diakses pada 2 September 2024, dari https://beyondpets.com/pet_health/dog-breeds-with-health-problems/
Gunawan, R., Hanafie, D. M. I., & Elanda, A. (2024). Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN). Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi dan Komunikasi, 18(4), 1–8. https://doi.org/10.35969/interkom.v18i4.318 105
Gunter, L. M., Barber, R. T., & Wynne, C. D. (2019, Maret 22). A canine identity crisis: Genetic breed heritage testing of shelter dogs. Diakses pada 5 September 2024, dari https://nationalcanineresearchcouncil.com/research_library/a-canine-identitycrisis-genetic-breed-heritage-testing-of-shelter-dogs/
Hosna, A., Merry, E., Gyalmo, J., Alom, Z., Aung, Z., & Azim, M. A. (2022). Transfer learning: A friendly introduction. Journal of Big Data, 9(1), 102. https://doi.org/10.1186/s40537-022-00652-w
IT Department, Technical College of Informatics Akre, Duhok Polytechnic University, Duhok, Kurdistan Region, IRAQ, Chicho, B. T., Bibo Sallow, A., & Technical College of Administration, Duhok Polytechnic University, Duhok, Kurdistan Region, IRAQ. (2021). A Comprehensive Survey of Deep Learning Models Based on Keras Framework. Journal of Soft Computing and Data Mining, 2(2). https://doi.org/10.30880/jscdm.2021.02.02.005
Kaur, P. (t.t.). A Research Paper on White Box Testing.
Kendall, K. E., & Kendall, J. E. (2011). Systems analysis and design (8. ed). Prentice Hall, Pearson.
Mandiya, R. E., Kongo, H. M., Kasereka, S. K., Kyandoghere, K., Tshakwanda, P. M., & Kasoro, N. M. (2024). Enhancing COVID-19 Detection: An XceptionBased Model with Advanced Transfer Learning from X-ray Thorax Images. Journal of Imaging, 10(3), 63. https://doi.org/10.3390/jimaging10030063
Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., Doulamis, A., & Doulamis, N. (2021). Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem. Technologies, 9(4), 81. https://doi.org/10.3390/technologies9040081
Martins, C. F., Soares, J. P., Cortinhas, A., Silva, L., Cardoso, L., Pires, M. A., & Mota, M. P. (2023). Pet’s influence on humans’ daily physical activity and mental health: A meta-analysis. Frontiers in Public Health, 11, 1196199. https://doi.org/10.3389/fpubh.2023.1196199
Meyer. S. (2024, Juli 10). Pet Adoption Statistics. Diakses pada 1 September 2024, dari https://www.thezebra.com/resources/research/pet-adoption-statistics/ Kilroy, A. (2024, Januari 23).
Novac, O.-C., Chirodea, M. C., Novac, C. M., Bizon, N., Oproescu, M., Stan, O. P., & Gordan, C. E. (2022). Analysis of the Application Efficiency of TensorFlow and PyTorch in Convolutional Neural Network. Sensors, 22(22), 8872. https://doi.org/10.3390/s22228872 106
Pang, B., Nijkamp, E., & Wu, Y. N. (2020). Deep Learning With TensorFlow: A Review. Journal of Educational and Behavioral Statistics, 45(2), 227–248. https://doi.org/10.3102/1076998619872761
Pet Adoption Statistics 2024. Diakses pada 1 September 2024, dari https://www.forbes.com/advisor/pet-insurance/petadoption-statistics/
Pirdaus, D. I., & Hidayana, R. A. (2024). Analysis Testing Black Box and White Box on Application To-Do List Based Web. International Journal of Mathematics, Statistics, and Computing, 2(2), 68–75. https://doi.org/10.46336/ijmsc.v2i2.95
Poojary, R., Raina, R., & Kumar Mondal, A. (2021). Effect of data-augmentation on fine-tuned CNN model performance. IAES International Journal of Artificial Intelligence (IJ-AI), 10(1), 84. https://doi.org/10.11591/ijai.v10.i1.pp84-92
Pratala, C. T., Asyer, E. M., Prayudi, I., & Saifudin, A. (2020). Pengujian White Box pada Aplikasi Cash Flow Berbasis Android Menggunakan Teknik Basis Path. Jurnal Informatika Universitas Pamulang, 5(2), 111. https://doi.org/10.32493/informatika.v5i2.4713
Publishers, M. S. (2021). Journal of Internal medicine and Emergency Research. 2(1).
Purwono, P., Ma’arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & Haq, Q. M. U. (2023). Understanding of Convolutional Neural Network (CNN): A Review. International Journal of Robotics and Control Systems, 2(4), 739–748. https://doi.org/10.31763/ijrcs.v2i4.888
Royan Fajar Sultoni, Achmad Junaidi, & Eva Yulia Puspaningrum. (2024). Analisa Komparasi Algoritma Machine Learning dan Deep Learning Dalam Klasifikasi Citra Ras Kucing. Neptunus: Jurnal Ilmu Komputer Dan Teknologi Informasi, 2(3), 328–357. https://doi.org/10.61132/neptunus.v2i3.251
Shaheed, K., Abbas, Q., Hussain, A., & Qureshi, I. (2023). Optimized Xception Learning Model and XgBoost Classifier for Detection of Multiclass Chest Disease from X-ray Images. Diagnostics, 13(15), 2583. https://doi.org/10.3390/diagnostics13152583 107
Sharov, S., Tereshchuk, S., Tereshchuk, A., Kolmakova, V., & Yankova, N. (2023). Using MOOC to Learn the Python Programming Language. International Journal of Emerging Technologies in Learning (IJET), 18(02), 17–32. https://doi.org/10.3991/ijet.v18i02.36431
Soobia.et.al., S. (2019). Analysis of Software Development Methodologies. International Journal of Computing and Digital Systems, 8(5), 445–460. https://doi.org/10.12785/ijcds/080502
Tazkiyah, S., & Arifin, A. (2022). Perancangan UI/UX pada Website Laboratorium Energy menggunakan Aplikasi Figma. Jurnal Teknologi Terpadu, 8(2), 72–78. https://doi.org/10.54914/jtt.v8i2.513
Tollin, G., & Lidekrans, M. (t.t.). React Native vs. Flutter: A performance comparison between cross-platform mobile application development frameworks.
