<![CDATA[Lumpy Skin Disease is a disease in cattle that causes decreased productivity and economic losses for farmers. Between July 2023 and June 2024, 6,803 cases were recorded in Indonesia, having a significant impact on the livestock industry. Early detection is crucial for controlling the spread of this disease. This study aims to optimize the Convolutional Neural Network for Lumpy Skin Disease classification by comparing the performance of several architectures, DenseNet-121, MobileNetV1, MobileNetV2, and GoogleNet. The dataset used was from Kaggle and consisted of 1,356 images. Results showed that GoogleNet achieved the best performance, with an Accuracy of 85.97% without segmentation and increasing to 87.03% with segmentation. However, segmentation does not continually improve Accuracy, as evidenced by DenseNet-121 and MobileNetV1, which experienced a slight decrease in Accuracy. In contrast, MobileNetV2 increased from 82.65% to 84.50%. This result shows that GoogleNet is more reliable in distinguishing lumpy skin and normal skin images than other architectures.Lumpy Skin Disease adalah penyakit viral pada sapi yang menyebabkan penurunan produktivitas dan kerugian ekonomi bagi peternak. Sejak Juli 2023 hingga Juni 2024, tercatat 6.803 kasus di Indonesia, yang berdampak signifikan pada industri peternakan. Deteksi dini sangat penting untuk mengendalikan penyebaran penyakit ini. Penelitian ini bertujuan mengoptimalkan Convolutional Neural Network untuk klasifikasi Lumpy Skin Disease dengan membandingkan performa beberapa arsitektur, yaitu DenseNet-121, MobileNetV1, MobileNetV2, dan GoogleNet. Dataset yang digunakan diambil dari Kaggle dan terdiri dari 1.356 citra,. Hasil penelitian menunjukkan bahwa GoogleNet memiliki performa terbaik dengan akurasi 85,97% tanpa segmentasi dan meningkat menjadi 87,03% dengan segmentasi. Namun, segmentasi tidak selalu meningkatkan akurasi, terbukti pada DenseNet-121 dan MobileNetV1 yang mengalami sedikit penurunan. Sebaliknya, MobileNetV2 mengalami peningkatan dari 82,65% menjadi 84,50%. Hal ini menunjukkan bahwa GoogleNet lebih andal dalam membedakan citra lumpy skin dan normal dibandingkan arsitektur lainnya.]]>
