Analisis performa convolution neural network untuk klasifikasi hewan berdasarkan perbedaan ukuran kernels

Abstract

Adapun tujuannya dari penelitian ini guna menganalisis pengaruh variasi ukuran kernel pada arsitektur Convolutional Neural Network (CNN) terhadap performa klasifikasi citra hewan. Ukuran kernel yang diuji meliputi 3x3, 5x5, 7x7, dan 9x9. Evaluasi dilakukan dengan metrik akurasi maupun analisis confusion matrix guna mengukur efektivitas setiap model. Hasil menunjukkan bahwasanya kernel berukuran 5x5 memberikan akurasi tertinggi dan distribusi klasifikasi yang paling seimbang, sedangkan kernel 9x9 menghasilkan penurunan performa yang signifikan. Ukuran kernel yang terlalu besar menyebabkan model kehilangan kemampuan dalam menangkap fitur lokal, sehingga terjadi kesalahan klasifikasi yang tinggi. Sebaliknya, ukuran kernel yang moderat mampu menjaga keseimbangan antara cakupan informasi global dan detail lokal. Temuan ini menegaskan pentingnya pemilihan ukuran kernel yang tepat dalam perancangan CNN untuk mencapai hasil klasifikasi yang optimal. This study aims to analyze the impact of kernel size variation in Convolutional Neural Network (CNN) architectures on the performance of animal image classification. The kernel sizes evaluated include 3x3, 5x5, 7x7, and 9x9. Performance was assessed using accuracy metrics and confusion matrix analysis to determine the effectiveness of each model. The results indicate that the 5x5 kernel achieved the highest accuracy and the most balanced classification distribution, while the 9x9 kernel resulted in a significant decline in performance. Excessively large kernels led to the mode’sl inability to capture local features, causing a high rate of misclassification. In contrast, moderately sized kernels maintained a balance between capturing global context and preserving local detail. These findings highlight the importance of selecting an appropriate kernel size in CNN architecture design to achieve optimal classification results