Pengembangan Framework Deep Learning Berbasis ResNet50V2 untuk Klasifikasi Lumpy Skin Disease pada Sapi Menggunakan Citra Digital
DOI:
https://doi.org/10.62375/shaw4509Keywords:
Penyakit Kulit Lumpy, Deep learning, Convolutional Neural Network, Image ProcessingAbstract
Penyakit Kulit Lumpy pada sapi dikenal sebagai risiko utama bagi produksi ternak dan berdampak besar terhadap kesejahteraan mata pencaharian dan ketahanan pangan khususnya bagi negara Indonesia. Saat ini pendeteksian penyakit kulit di negara kita umumnya dinilai secara manual. Namun, evaluasi manual membutuhkan banyak waktu dan membutuhkan orang-orang profesional yang berpengalaman dan terlatih, sehingga biasanya membutuhkan biayanya cukup tinggi. Pada penelitian ini dibangun model deteksi penyakit kulit Lumpy pada sapi menggunakan salah satu model Deep learning yakni Convolutional Neural Network (CNN). Kelas yang akan digunakan untuk mendeteksi dan mengklasifikasikan hewan berpenyakit kulit lumpy menjadi sehat dan sakit. Pengumpulan data tersebut dikumpulkan dari situs internet kaggle. Dari total 1364 dataset citra, 80% digunakan untuk pelatihan, 10% untuk validasi dan 10% untuk pengujian. Hasil eksperimen menunjukkan bahwa arsitektur terbaik untuk klasifikasi penyakit kulit lumpy pada sapi adalah Proposed Lumy ResNet50v2 dengan akurasi 94.85%, presisi 94%, Recall 94%, dan F1 Score 95%. Kemudian diikuti oleh arsitektur NASNetMobile dengan nilai akurasi 92.65%, Xception dan ResNet50v2 dengan akurasi 91,18% dan VGG19 dengan akurasi sebesari 90,44%.
References
[1] K. Adhianto, R. Andrian, and Y. Nuhricha Sari, “Comparative Analysis of Cow Disease Diagnosis Expert System using Bayesian Network and Dempster-Shafer Method,” 2019. [Online]. Available: www.ijacsa.thesai.org
[2] X. Roche, A. Rozstalnyy, D. TagoPacheco, A. Kamata, C. Pittiglio, D. B. Alcrudo, K. Bisht, S. Karki, J. Kayamori, F. Larfaoui, E. Raizman, S. VonDobschuetz, M. S. Dhingra, and K. Sumption. (2020). Introduction and spread of lumpy skin disease in South, East and Southeast Asia. In Introduction and spread of lumpy skin disease in South, East and Southeast Asia. FAO. https://doi.org/10.4060/cb1892en
[3] N. S. Alkolifi Alenezi, “A Method of Skin Disease Detection Using Image Processing and Machine Learning,” in Procedia Computer Science, 2019, vol. 163, pp. 85–92. doi: 10.1016/j.procs.2019.12.090.
[4] S. Anam Alidrus, M. Aziz, O. Virgantara Putra, and U. Darussalam Gontor Jl Raya Siman KecSiman KabPonorogo, Deteksi Penyakit Pada Daun Tanaman Padi Menggunakan Metode Convolutional Neural Network. 2021.
[5] I. W. Prastika, E. Zuliarso, J. T. Lomba, J. No, and S. 50241, “Deteksi Penyakit Kulit Wajah Menggunakan Tensorflow Dengan Metode Convolutional Neural Network,” Jurnal Manajemen informatika & Sistem Informasi), vol. 4, no. 2, 2021, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/misi
[6] M. Amin Nurdin, R. Cahya Wihandika, and F. Utaminingrum, “Deteksi Pergerakan Arah Mata menggunakan Convolution Neural Network berdasarkan Facial Landmark,” 2020. [Online]. Available: http://j-ptiik.ub.ac.id
[7] A. J. Rozaqi, A. Sunyoto, and R. Arief, “Deteksi Penyakit pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network Detection of Potato Leaves Disease Using Image Processing with Convolutional Neural Network Methods”.
[8] M. Rahimzadeh and A. Attar, “A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2,” Inform Med Unlocked, vol. 19, Jan. 2020, doi: 10.1016/j.imu.2020.100360.
[9] Jalu Nusantoro, Faldo Fajri Afrinanto, Wana Salam Labibah, Zamah Sari, and Yufis Azhar, “Detection of Covid-19 on X-Ray Image of Human Chest Using CNN and Transfer Learning,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 3, pp. 430–441, Jun. 2022, doi: 10.29207/resti.v6i3.4118.
[10] A. Fuadi et al., “Perbandingan Arsitektur Mobilenet dan NasnetMobile untuk Klasifikasi Penyakit Pada Citra Daun Kentang.”
[11] N. Hasan, S. Ibrahim, and A. Azlan, “Fish diseases detection using convolutional neural network (CNN),” Int. J. Nonlinear Anal. Appl, vol. 13, pp. 2008–6822, 2022, doi: 10.22075/ijnaa.2022.5839.
[12] G. Rai, A. Hussain, A. Kumar, and R. Nijhawan, “A Deep Learning Approach to Detect Lumpy Skin Disease in Cows,” 2020.
[13] A. Sallam, and A. E. B. Alawi. (2019). Mobile-based Intelligent Skin Diseases Diagnosis System. 2019 First International Conference of Intelligent Computing and Engineering (ICOICE).
[14] N. Chintalapudi, G. Battineni, and F. Amenta, “Sentimental analysis of COVID-19 tweets using deep learning models,” Infect Dis Rep, vol. 13, no. 2, Apr. 2021, doi: 10.3390/IDR13020032.
[15] Mustika, Y. Ardila, A. Manuhutu, N. Ahmad, I. Hasbi, Guntoro, M. A. Manuhutu, M. Ridwan, Hozair, A. K. Wardhani, S. Alim, I. Romli, D. T. Octafian, U. U. Sufandi, and I. Ernawati. (2021). Data Mining dan Aplikasinya. Widina Bhakti Persada.
[16] R. R. Saputro, A. Junaidi, and W. A. Saputra. (2022). Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network (Studi Kasus: Melanoma). Data Institut Teknologi Telkom Purwokerto, 2(1), 52–57.
[17] P. N. Srinivasu, J. G. Sivasai, M. F. Ijaz, A. K Bhoi, W. Kim, and J. H. Kang. (2021). Classification of skin disease using deep learning neural networks with mobilenet v2 and lstm. Sensors, 21(8). https://doi.org/10.3390/s21082852
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Fidya Farasalsabila, Sasa Ani Arnomo, Alvendo Wahyu Aranski, Alhamidi, Faradiba Jabnabillah, Rifa’atul Mahmudah Burhan, Refli Noviardi, Muhammad Nabiil Althaaf
This work is licensed under a Creative Commons Attribution 4.0 International License.
