IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI RAS KUCING DOMESTIK PADA APLIKASI WEB

Rio Siswandi; Firman Noor Hasan;

Implementasi Convolutional Neural Network (CNN) untuk Identifikasi Ras

Kucing Domestik pada Aplikasi Web

Rio Siswandi

Proses identifikasi ras kucing domestik sering kali menimbulkan kesulitan, khususnya bagi
masyarakat umum, disebabkan oleh kemiripan visual antarras seperti warna bulu, bentuk wajah,
dan struktur tubuh. Penelitian ini bertujuan untuk mengembangkan sistem berbasis web yang
mampu mengklasifikasikan enam ras kucing domestik, yaitu Anggora, Bengal, Persian, Siamese,
Sphynx, dan Tabby, dengan memanfaatkan metode Convolutional Neural Network (CNN). Dataset
yang digunakan berjumlah 720 gambar, dikumpulkan melalui sumber terbuka seperti Pexels,
Pixabay, dan The Cat API. Model CNN dirancang menggunakan pendekatan transfer learning
dengan arsitektur MobileNetV2, serta dilengkapi teknik early stopping guna menghindari
overfitting. Pelatihan model dilakukan selama 30 epoch dan menghasilkan akurasi pelatihan
sebesar 81.08% serta akurasi validasi sebesar 82.64% dengan nilai loss masing-masing 0.4713 dan
0.4572. Sistem ini diimplementasikan melalui backend berbasis Flask yang terintegrasi dengan
antarmuka web, sehingga memungkinkan pengguna untuk mengunggah gambar kucing dan
memperoleh hasil prediksi secara otomatis. Pengujian dilakukan dengan metode black-box pada
sisi fungsionalitas serta evaluasi kinerja model berdasarkan metrik akurasi dan loss. Hasil
penelitian menunjukkan bahwa CNN dapat diterapkan secara efektif untuk klasifikasi citra ras
kucing domestik, serta berpotensi diintegrasikan dalam aplikasi web secara praktis dan fungsional.
Kata kunci: CNN, klasifikasi citra, kucing domestik, aplikasi web, MobileNetV2.
Implementation of Convolutional Neural Network (CNN) for Domestic Cat

Breed Identification in a Web Application

Rio Siswandi

The identification process of domestic cat breeds often poses challenges, especially for the general
public, due to the visual similarities among breeds in terms of fur color, facial structure, and body
shape. This research aims to develop a web-based system capable of classifying six domestic cat
breeds—Angora, Bengal, Persian, Siamese, Sphynx, and Tabby—using the Convolutional Neural
Network (CNN) method. A dataset consisting of 720 images was collected from open sources such
as Pexels, Pixabay, and The Cat API. The CNN model was designed using a transfer learning
approach with the MobileNetV2 architecture and incorporated early stopping techniques to
prevent overfitting. The model was trained for 30 epochs, achieving a training accuracy of 81.08%
and a validation accuracy of 82.64%, with corresponding loss values of 0.4713 and 0.4572. The
system was implemented using a Flask-based backend integrated with a web interface, enabling
users to upload cat images and automatically receive breed predictions. Testing was conducted
using black-box methods for functionality and model performance was evaluated using accuracy
and loss metrics. The results indicate that CNN can be effectively applied for image-based
classification of domestic cat breeds and has practical potential for integration into web
applications.
Keywords: CNN, image classification, domestic cats, web application, MobileNetV2