UNMUHUNMUH

JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)

Penyakit Mulut dan Kuku (PMK) merupakan wabah viral yang sangat menular pada ternak sapi dan menimbulkan kerugian ekonomi signifikan bagi industri peternakan nasional. Keterbatasan tenaga ahli di lapangan sering kali menyebabkan keterlambatan diagnosis yang berdampak pada meluasnya penyebaran virus. Penelitian ini bertujuan untuk membangun sebuah model komputasi cerdas yang mampu mendiagnosis gejala klinis PMK secara otomatis melalui citra digital menggunakan algoritma Deep Learning jenis Convolutional Neural Network (CNN). Tahapan metode penelitian diawali dengan pengumpulan dataset citra bagian mulut dan kuku sapi yang terbagi menjadi dua kelas, yaitu PMK dan sehat. Proses preprocessing dilakukan dengan penyeragaman ukuran citra dan normalisasi piksel, diikuti dengan teknik augmentasi data seperti rotasi dan flip untuk mencegah overfitting. Arsitektur model dirancang menggunakan susunan lapisan konvolusi, pooling, dan fully connected layer untuk mengekstraksi fitur visual lesi secara otomatis. Berdasarkan hasil eksperimen, model yang diusulkan berhasil mencapai performa klasifikasi yang tinggi dengan akurasi validasi sebesar 95%. Dalam penelitian ini jumlah dataset yang digunakan sebanyak 1000 data citra dengan rasio pembagian data adalah sebagai berikut untuk training data sebanyak 70, validation 15 dan testing 15, dari hasil penelitian ini performa klasifikasi selain akurasi terdapat pula recall sebesar 96%, f1-score 94%, presisi 91%. Kesimpulan dari penelitian ini membuktikan bahwa pendekatan computer vision dapat diandalkan sebagai alat bantu diagnostik dini yang cepat dan akurat, mendukung pengambilan keputusan yang lebih baik dalam manajemen kesehatan ternak.

Penelitian ini menyimpulkan bahwa algoritma Deep Learning dengan arsitektur Convolutional Neural Network (CNN) berhasil diterapkan untuk mendeteksi Penyakit Mulut dan Kuku (PMK) pada sapi dengan tingkat akurasi validasi mencapai 95%.Nilai Recall yang tinggi sebesar 96% menunjukkan bahwa model sangat efektif dalam meminimalisir kesalahan deteksi pada sapi yang sakit.Model ini layak digunakan sebagai alat bantu diagnostik dini yang efektif di tingkat peternakan.

Pengembangan model deteksi otomatis PMK pada sapi membuka peluang penelitian lanjutan yang menarik. Pertama, perluasan dataset dengan variasi kondisi lingkungan yang lebih ekstrem, seperti pencahayaan minim atau kondisi kuku berlumpur, dapat meningkatkan ketahanan model terhadap data dunia nyata. Kedua, pengembangan aplikasi berbasis perangkat bergerak (mobile application) akan memungkinkan deteksi dini dilakukan secara real-time oleh peternak di lapangan, mempercepat respons terhadap potensi wabah. Ketiga, studi komparasi dengan arsitektur Transfer Learning, seperti MobileNetV2, dapat mengoptimalkan efisiensi komputasi model, sehingga dapat dijalankan pada perangkat dengan sumber daya terbatas, seperti smartphone atau embedded system, tanpa mengorbankan akurasi. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan kesehatan ternak dan mengurangi kerugian ekonomi akibat PMK, serta mendukung implementasi sistem peringatan dini yang efektif untuk mencegah penyebaran wabah.

Read online
File size608.67 KB
Pages8
DMCAReport

Related /

ads-block-test