cover
Contact Name
Frangky Silitonga
Contact Email
frangkyka@gmail.com
Phone
+6281534584809
Journal Mail Official
jurnalsiteba@iteba.ac.id
Editorial Address
ITEBA - Institut Teknologi Batam The Vitka City Complex Jl. Gajah Mada, Tiban, Batam, Kepulauan Riau, INDONESIA 29425 Phone : +62 778 3540889
Location
Kota batam,
Kepulauan riau
INDONESIA
Jurnal Siteba
ISSN : 29622808     EISSN : 29624061     DOI : -
Jurnal Siteba merupakan jurnal pertama yang ada di Institut Teknologi Batam yang sering disebut sebagai ITEBA. Siteba bukanlah singkatan dari Sistem Informasi Institut Teknologi Batam meskipun seperinya ada unsur kemiripan tapi Siteba menunjuk kata ganti tempat. Jurnal Siteba ini dikelola oleh Program Studi Sistem Infomasi di Institut Teknologi Batam (ITEBA) dan diterbitkan dibawah naungan LPPM (lembaga Penelitian dan Pengabdian Kepada Masyarakat) ITEBA. Jurnal Siteba adalah untuk sarana berbagi, mengembangkan dan memfasilitasi hasil makalah dari Guru, Dosen, Praktisi dan Mahasiswa dari hasil penelitian terbaru yang telah dilakukan dalam bidang Sistem Informasi. Ruang lingkup Jurnal Siteba: Sistem Informasi, E-Business dan E-Commerce, Rekayasa Perangkat Lunak (Software Engineering), Geografic Information Sistem (GIS), Jaringan komputer dan Komunikasi Data (Computer network and data communication), Multimedia, Pembelajaran Berbasis Komputasi, Sistem Pendukung Keputusan (DSS), Perusahaan Skala Sistem Informasi (ERP, EAI, CRM, SCM) dan Sistem Informasi Akuntansi dan Manajemen.
Articles 61 Documents
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%.