Implementasi Model Mobilenetv2 Untuk Klasifikasi Ras Anjing

Abstract

Identifikasi ras anjing secara visual merupakan tantangan signifikan bagi masyarakat awam karena kemiripan fitur morfologi yang sangat tinggi antar spesies. Kesalahan identifikasi berdampak serius pada ketidaktepatan pola perawatan harian dan penanganan medis spesifik. Penelitian ini mengimplementasikan teknologi visi komputer melalui model Deep Learning berbasis arsitektur MobileNetV2 untuk klasifikasi otomatis ras Basenji, Chow, Dingo, dan Lhasa. Permasalahan utama yang diangkat adalah tingginya variasi intra-kelas dan kemiripan ekstrem antar-kelas pada citra hewan. Metodologi penelitian menggunakan 600 citra berkualitas tinggi dengan tahap preprocessing ketat dan augmentasi data intensif. Teknik transfer learning diterapkan melalui fine-tuning pada 50 lapisan terakhir MobileNetV2. Untuk meningkatkan stabilitas, model dimodifikasi dengan menambahkan lapisan Dense 32 unit, Dropout 0.6, serta Regularizer L2 sebesar 0.003 guna menekan risiko overfitting. Hasil pengujian menunjukkan performa impresif dengan akurasi pelatihan 96% dan akurasi pengujian 93%. Waktu pelatihan sangat efisien, yakni hanya 3 menit untuk 10 epoch. Analisis confusion matrix menunjukkan keunggulan model pada ras Basenji, meskipun terdapat tantangan tekstur bulu pada Lhasa dan Chow. Konfigurasi ini terbukti efektif, ringan, dan siap untuk implementasi real-time pada perangkat seluler.