<![CDATA[Studi ini berfokus pada implementasi transfer learning menggunakan arsitektur VGG16 untuk mengklasifikasikan citra ke dalam tiga kelas utama: cat, dog, dan fox. Dataset yang digunakan terdiri dari kumpulan citra yang disusun dalam struktur folder berdasarkan label kelasnya. Untuk meningkatkan performa model dan memperkaya keragaman data pelatihan, augmentasi citra sistematis dilakukan menggunakan teknik-teknik seperti rotasi, translasi, pembesaran, geseran, perubahan kecerahan, dan pembalikan horizontal. Proses pelatihan dilakukan menggunakan fitur pretrained VGG16 yang telah dilatih sebelumnya yang dibekukan pada tahap awal. Selanjutnya, lapisan terhubung penuh ditambahkan sebagai pengklasifikasi. Dataset dibagi menjadi dua subset dengan rasio 80:20 untuk pelatihan dan pengujian, kemudian dievaluasi menggunakan metrik akurasi, matriks konfusi, dan laporan klasifikasi. Hasil percobaan menunjukkan bahwa model dapat mencapai akurasi validasi sebesar 94% dan berkinerja baik di semua kelas, sebagaimana dibuktikan oleh nilai presisi, recall, dan f1-score yang tinggi. Hasil ini menunjukkan bahwa pendekatan transfer learning dengan augmentasi citra dapat digunakan secara efektif untuk klasifikasi citra jenis hewan.]]>
