<![CDATA[Penelitian ini bertujuan untuk mengatasi tantangan dalam deteksi objek hewan peliharaan, khususnya anjing dan kucing, yang memiliki variasi intra-kelas yang tinggi serta kemiripan visual yang signifikan antar ras. Metode yang diusulkan adalah arsitektur Deep Learning Faster R-CNN dengan backbone ResNet50-FPN. Untuk meningkatkan performa model pada dataset Oxford-IIIT Pet yang memiliki keterbatasan jumlah sampel dan ketidakseimbangan kelas, penelitian ini menerapkan strategi modifikasi berupa augmentasi data lanjutan menggunakan pustaka Albumentations dan teknik Gradient Accumulation. Augmentasi data diterapkan untuk memperkaya variasi pose dan kondisi pencahayaan, sedangkan Gradient Accumulation digunakan untuk menstabilkan proses pelatihan pada batch size kecil akibat keterbatasan memori GPU. Hasil eksperimen menunjukkan bahwa model yang dimodifikasi mampu mencapai performa optimal pada Epoch ke-11 dengan skor Mean Average Precision (mAP) sebesar 0.7519. Analisis kurva loss menunjukkan konvergensi yang stabil antara data latih dan validasi, mengindikasikan bahwa teknik augmentasi yang diterapkan efektif dalam mencegah overfitting. Penelitian ini membuktikan bahwa integrasi strategi augmentasi geometris dan akumulasi gradien dapat meningkatkan ketahanan model deteksi objek secara signifikan pada domain hewan peliharaan.]]>
Copyrights © 2026
