Klasifikasi Penyakit Ayam Berdasarkan Citra Kotoran Menggunakan CNN dengan Xception
DOI:
https://doi.org/10.33795/jip.v12i3.9247Abstract
Peternakan ayam di Indonesia menghadirkan potensi ekonomi yang substansial karena tingginya permintaan daging dan telur. Namun, peternakan ini juga menghadapi risiko signifikan dari penyakit yang dapat menginfeksi ayam secara tiba-tiba dan seringkali sulit dideteksi sejak dini. Penelitian ini bertujuan untuk membantu peternak mengidentifikasi penyakit ayam lebih cepat dan akurat dengan memanfaatkan teknologi pemrosesan citra digital. Sistem klasifikasi dibangun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Xception, yang dikenal karena efisiensinya dalam mengekstraksi fitur visual. Model tersebut mengklasifikasikan citra menjadi empat kategori: Coccidiosis, Newcastle Disease, Salmonella, and healthy conditions. Proses pelatihan menggunakan dataset dari Kaggle dan sejumlah citra lapangan yang terbatas, dengan pembagian data 80:10:10 untuk pelatihan, validasi, dan pengujian. Model tersebut mencapai akurasi 94%, menunjukkan kinerja terbaik dalam mendeteksi Koksidiosis, sementara Penyakit Newcastle menimbulkan lebih banyak tantangan karena keterbatasan data. Pengujian lebih lanjut dengan 36 foto feses lapangan mengonfirmasi keandalan sistem, terutama dalam mengidentifikasi sampel yang sehat. Sistem ini terintegrasi ke dalam aplikasi seluler atau web yang dapat membantu peternak dalam mendeteksi penyakit ayam secara otomatis dari gambar tinja, yang pada akhirnya mengurangi kerugian dan mendukung praktik peternakan unggas yang lebih sehat.
Downloads
References
Abdi, M. N., dkk. (2023). Manajemen tata kelola keuangan dan manaj. Pengabdian Dharma Laksana Mengabdi Untuk Negeri, 5(2), 340–347.
Mahfudz, L. D., Sunarti, D., Kismiati, S., Sarjana, T. A., & MHN. (2021). Pencegahan penyakit ternak unggas.
Ahadin, A. I., Hana, F. M., Prihandono, A., & Pujiono, I. P. (2024). Pengembangan model klasifikasi produk furnitur sebagai visual search menggunakan algoritma convolutional neural network. Sistem Komputer dan Kecerdasan Buatan, 8, 1–9.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. arXiv. http://arxiv.org/abs/1610.02357
Krichen, M. (2023). Jaringan saraf tiruan konvolusional: Sebuah survei. Computers, 12(8). https://doi.org/10.3390/computers12080151
Al Haq, J. (2021). Klasifikasi cepat model XceptionNet dan ResNet-50 pada video deepfake menggunakan Local Binary Pattern.
Tundjungsari, V., & Mitasya, S. A. (2024). Pengembangan aplikasi deteksi penyakit ayam menggunakan metode Xception transfer learning. 2024 7th International Conference on Information and Communications Technology (ICOIACT), 67–72. https://doi.org/10.1109/ICOIACT64819.2024.10913426
Nugroho, M., & Astuti, F. Y. (2021). Analisis kelayakan usaha peternakan ayam pedaging (broiler).
Riyanti, R., Nova, K., Septinova, D., Hasiib, A., & Artikel, P. (2024). Penerapan inovasi ramah lingkungan Moringa oleifera dalam upaya meningkatkan produktivitas peternakan ayam petelur CV. Marga Raya Farm. Jurnal Pengabdian Fakultas Pertanian Universitas Lampung, 3(2), 1–10.
Vandana, Kumar Yogi, & Yadav, S. P. (2023). Surveillance for detection and classification of poultry diseases from fecal images using CNN. Proceedings of the International Conference on Contemporary Computing and Informatics (IC3I) (pp. 939–943). https://doi.org/10.1109/IC3I59117.2023.10397876
Galahartlambang, Y., Khotiah, T., & Jumain. (2021). Visualisasi data dari dataset COVID-19 menggunakan pemrograman Python. Jurnal Teknologi Informasi UMUS.
Sudriyanto, Syahro, F., & Fitriani, N. (2023). Perbandingan performa model machine learning Support Vector Machine, Neural Network, dan K-Nearest Neighbors dalam prediksi harga saham. Jurnal Advance Research Informatika, 2(1), 13.
Nazhirin, A. F. Z., Muttaqin, M. R., & Hermanto, T. I. (2023). Klasifikasi kondisi ban kendaraan menggunakan arsitektur VGG16. INTI Nusa Mandiri, 18(1), 1–12. https://doi.org/10.33480/inti.v18i1.4270
Stiawan, A. (2024). Implementasi model pre-trained pada CNN berdasarkan multi input parameter untuk identifikasi jenis kopi berbasis GUI.
Harahapp, M., Husein, A. M., & Thedora, F. (2024). Penerapan EfficientNet dalam mengklasifikasi kanker kulit. Unpri Press.
Zein, A. (2019). Pendeteksian penyakit malaria menggunakan analisis gambar medis dengan deep learning Python. Sainstech, 29(1), 1410–7104.
Suyuti, M. (2023). Pengembangan model klasifikasi mata tertutup dan terbuka dalam identifikasi kelelahan menggunakan arsitektur Mobile CNN.
