ABSTRAK
Dalam perkembangan teknologi kecerdasan buatan, terutama dalam pengenalan
gambar, dan mengalami kemajuan signifikan dalam beberapa tahun terakhir, Salah satu
inovasi terbaru adalah EfficientNetB0. Kucing domestik (Felis catus) adalah hewan yang
telah lama menjadi bagian dari kehidupan manusia, berfungsi sebagai hewan peliharaan,
pengendali hama, dan sahabat setia. Penelitian ini bertujuan mengklasifikasikan berbagai
jenis kucing menggunakan metode deep learning dengan arsitektur EfficientNetB0.
Dengan populasi yang besar dan beragam, kucing telah berkembang menjadi berbagai
jenis dengan karakteristik fisik dan perilaku yang unik. Penelitian ini dilakukan dengan
menggunakan pendekatan kuantitatif eksperimental dengan menggunakan data sekunder.
Penelitian ini menggunakan data open acces dari Kaggle yang mencakup dua belas jenis
kucing yaitu abyssunian, bengal, birman, bombay, british shorthair, egyptian mau, maine
coon, persian, ragdoll, russian blue, siamese, sphynx. Tahapan penelitian meliputi
pengumpulan dan pembagian data, pelatihan model menggunakan arsitektur
EfficientNetB0, serta pengujian dengan evaluasi menggunakan Confusion Matrix.
Sembilan model dengan variasi hyperparameter diuji untuk menemukan model dengan
akurasi tertinggi. Model sembilan mencapai akurasi validasi tertinggi sebesar 99.82%.
Evaluasi menunjukkan bahwa model kesembilan mencapai rata-rata akurasi tertinggi
sebesar 99%. Hasil ini mengindikasikan bahwa peningkatan jumlah data dan pengaturan
parameter dapat secara signifikan menngkatkan akurasi model, menunjukkan bahwa
dengan lebih banyak data pelatihan dan pengaturan parameter yang optimal, model dapat
mencapai kinerja yang hampir sempurna.
Kata Kunci: EfficientNetB0, Deep Learning, Confusion Matrix, Kucing, Hyperparameter