Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Siteba
Althaaf, Muhammad Nabiil
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Pengembangan Framework Deep Learning Berbasis ResNet50V2 untuk Klasifikasi Lumpy Skin Disease pada Sapi Menggunakan Citra Digital Farasalsabila, Fidya; Arnomo, Sasa Ani; Aranski, Alvendo Wahyu; Alhamidi; Jabnabillah, Faradiba; Burhan, Rifa’atul Mahmudah; Noviardi, Refli; Althaaf, Muhammad Nabiil
JURNAL SITEBA Vol. 4 No. 1 (2026): Jurnal Sistem Informasi ITEBA
Publisher : LPPM-ITEBA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62375/shaw4509

Abstract

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%.
Co-Authors Alhamidi Alvendo Wahyu Aranski Arnomo, Sasa Ani Burhan, Rifa’atul Mahmudah Fidya Farasalsabila Jabnabillah, Faradiba Noviardi, Refli