Klasifikasi Perilaku Kucing Menggunakan Arsitektur Hybrid YOLOv8 dan CNN Berbasis Web
Abstract
Kesejahteraan hewan peliharaan, khususnya kucing, sangat bergantung pada kemampuan pemilik dalam memahami bahasa tubuh hewan. Namun, interpretasi manual seringkali tidak akurat. Penelitian ini mengembangkan sistem cerdas untuk klasifikasi perilaku kucing memanfaatkan Deep Learning dengan arsitektur hybrid. Sistem menggabungkan YOLOv8 untuk lokalisasi objek dan Convolutional Neural Network (CNN) MobileNetV2 untuk klasifikasi perilaku. Berbeda dari studi terdahulu yang mayoritas berfokus pada penyakit kulit, riset ini menargetkan delapan kelas perilaku spesifik: sleeping, sitting, playing, eating/drinking, grooming, stretching, lying down, dan walking/standing. Metodologi mencakup pengumpulan data multi-source, pra-pemrosesan Laplacian Variance untuk filterasi blur, serta pelatihan model. Hasil eksperimen menunjukkan YOLOv8 unggul dalam deteksi objek dengan mAP@50 mencapai 96,0%. Pada tahap klasifikasi, CNN mencatatkan akurasi 54,21%, di mana kelas Sleeping mendominasi performa terbaik. Sistem ini telah diimplementasikan ke dalam platform web berbasis Flask, menyediakan alat bantu pemantauan kondisi kucing secara real-time bagi pemilik.
References
Ayhallansyah, S. F., Ardiansyah, M. A., Fawwazansa, M. A., & Anggraeny, F. T. (2025). Deteksi Gambar Palsu Menggunakan Deep Learning. Scan: Jurnal Teknologi Informasi Dan Komunikasi, 19(3), 156–162.
Bisong, E. (2019). Building machine learning and deep learning models on Google cloud platform. Springer.
Chen, R.-C., Saravanarajan, V. S., & Hung, H.-T. (2021). Monitoring the behaviours of pet cat based on YOLO model and raspberry Pi. International Journal of Applied Science and Engineering, 18(5), 1–12.
Dalimunthe, M. B. P., Putra, E., & Harahap, S. (2025). Deteksi Aktivitas Kucing di Rumah Menggunakan Kamera Berbasis Pengolahan Citra Digital. Innovative: Journal Of Social Science Research, 5(2), 3505–3512.
Fenando, F. (2020). Implementasi E-Commerce Berbasis Web pada Toko Denia Donuts Menggunakan Metode Prototype. JUSIFO (Jurnal Sistem Informasi), 6(2), 66–77.
Gunawan, R., Hanafie, D. M. I., & Elanda, A. (2024). Klasifikasi Jenis Ras Kucing Dengan Gambar Menggunakan Convolutional Neural Network (CNN). Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi Dan Komunikasi, 18(4), 1–8.
Guo, Y., Aggrey, S. E., Wang, P., Oladeinde, A., & Chai, L. (2022). Monitoring behaviors of broiler chickens at different ages with deep learning. Animals, 12(23), 3390.
Hadhiwibowo, A., Asri, S. R., & Dinata, R. A. (2024). Penerapan Convolutional Neural Network dengan Arsitektur Mobilenetv2 Pada Aplikasi Penerjemah dan Pembelajaran Bahasa Isyarat. Januari. Simpang Limun. Medan. Sumatera Utara.
Hidayat, F., Sarwani, M. Z., & Hariyanto, R. (2024). Rekomendasi Pengobatan Pada Penyakit Kucing Menggunakan Metode Decision Tree (Studi Kasus: Klinik Drh. Panti Absari). INTEGER: Journal of Information Technology, 9(2).
Idris, M., Anggraeny, F. T., & Mumpuni, R. (2023). IDENTIFIKASI KANKER PARU-PARU PADA GAMBAR HISTOPATOLOGI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Scan: Jurnal Teknologi Informasi Dan Komunikasi, 18(3), 37–44.
Jocher, G., Qiu, J., & Chaurasia, A. (2023). Ultralytics YOLO. https://github.com/ultralytics/ultralytics
Meilita, B., & Yustanti, W. (2024). Sistem deteksi penyakit kulit kucing menggunakan algoritma You Only Look Once (YOLO) v8. Journal of Emerging Information Systems and Business Intelligence, 5(2), 178–188.
Muqsith, F. I., Supriyati, E., & Listyorini, T. (2025). Klasifikasi pengucapan huruf Hijaiyah berbasis Android menggunakan CNN dengan fitur mel-spectrogram. Jurnal Informatika: Jurnal Pengembangan IT, 10(1), 67–78.
Murdifin, M., & Uyun, S. (2025). Klasifikasi Hewan Anjing, Kucing, dan Harimau Menggunakan Metode Convolutional Neural Network (CNN). JISKA (Jurnal Informatika Sunan Kalijaga), 10(3), 331–340.
Pangestu, I. Y., & Ramadhani, S. R. (2023). Perancangan Sistem Deteksi Penyakit Kulit Pada Kucing Menggunakan Deep Learning Berbasis Android. Teknika, 12(3), 173–182.
Paramudita, F., & Zulfa, M. I. (2023). Aplikasi Android pendeteksi kualitas beras berbasis machine learning menggunakan metode Convolutional Neural Network. Jurnal Pendidikan Dan Teknologi Indonesia, 3(7), 297–305.
Pratama, M. A. (2025). Implementasi Arsitektur MobileNetV2 untuk Deteksi Penyakit Antraknosa dan Busuk Buah pada Cabai Rawit. Seminar Nasional Teknologi & Sains, 4(1), 501–506.
Rahayu, M. I., Faiqunisa, F., & Nugraha, N. (2023). Klasifikasi Ras Kucing Menggunakan Metadata Data Set Kaggle Dengan Framework Yolo V5. Jurnal Penelitian Dan Pengembangan Teknologi Informasi Dan Komunikasi, 12(1), 14–18.
Rahman, F. N., Listyorini, T., & Supriyati, E. (2025). ANALISIS AKURASI CNN PADA DATA OLAH SUARA MANUSIA MENGGUNAKAN PARAMETER KOEFISIEN MFCC DAN MAX LENGTH. Jurnal Digit: Digital of Information Technology, 15(1), 1–9.
Saepudin, S., Sujana, N., Mutoffar, M. M., & Haryanto, A. A. (2024). ANALISIS KINERJA YOLOV8 OPTIMALISASI ROBOFLOW UNTUK DETEKSI EKSPRESI WAJAH EMOSIONAL DENGAN MACHINE LEARNING. Naratif: Jurnal Nasional Riset, Aplikasi Dan Teknik Informatika, 6(2), 115–124.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 4510–4520.
Seftania, P. D. A. D., Widyadara, M. A. D., & Swanjaya, D. (2025). Implementasi Yolov8 Untuk Klasifikasi Jenis Kucing. Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(1), 679–686.
Utomo, D., & Utomo, T. F. (2025). Deep Learning Dasar Teori dan Implementasi dengan Python dan Keras: Diandra Kreatif. Penalicious.
Yang, S., Xiao, W., Zhang, M., Guo, S., Zhao, J., & Shen, F. (2022). Image data augmentation for deep learning: A survey. ArXiv Preprint ArXiv:2204.08610.
Full Text: PDF