Electronic Theses and Dissertation

Lumpy Skin Disease (LSD) merupakan penyakit virus menular pada sapi yang menimbulkan dampak kesehatan serius serta kerugian ekonomi yang signifikan di sektor peternakan. Penyebaran penyakit ini yang relatif cepat menuntut adanya metode deteksi dini yang akurat dan efisien guna mencegah kerugian yang lebih besar. Metode diagnosis konvensional, seperti Polymerase Chain Reaction (PCR) dan Enzyme-Linked Immunosorbent Assay (ELISA), memiliki tingkat akurasi yang tinggi, namun memerlukan waktu, biaya, serta tenaga ahli, sehingga kurang efektif untuk diterapkan dalam kondisi lapangan secara cepat. Oleh karena itu, pendekatan berbasis Deep Learning melalui analisis citra digital menjadi alternatif yang menjanjikan untuk mendukung proses identifikasi penyakit secara otomatis. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa arsitektur Convolutional Neural Network (CNN), yaitu MobileNet-V3 dan EfficientNet-B5, dalam mengklasifikasikan citra sapi sehat dan sapi terinfeksi LSD. Dataset yang digunakan berjumlah 1.200 citra dimana masing-masing dataset berjumlah 600 LSD dan 600 sehat (Healthy) yang dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 80:10:10. Tahapan penelitian meliputi preprocessing citra, augmentasi data, penerapan transfer learning, serta pelatihan model dengan variasi hyperparameter tertentu. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa MobileNet-V3 memperoleh Accuracy sebesar 88%, dengan precision 87%, recall 90%, dan F1-score 88%. Sementara itu, EfficientNet-B5 menunjukkan performa yang lebih unggul dengan accuracy,precision, recall, dan F1-score masing-masing sebesar 97%. Hasil ini menunjukkan bahwa model dengan kapasitas representasi fitur yang lebih tinggi mampu meningkatkan kinerja klasifikasi secara signifikan. Oleh karena itu, EfficientNet-B5 direkomendasikan sebagai model yang lebih optimal. Penelitian ini berperan dalam pengembangan sistem deteksi dini penyakit ternak berbasis kecerdasan buatan yang berpotensi membantu sebagai alat bantu identifikasi awal berbasis citra melalui analisis citra digital.

Kata kunci: Lumpy Skin Disease, MobileNet-V3, EfficientNet-B5, Klasifikasi Citra.

Lumpy Skin Disease (LSD) is a contagious viral disease in cattle that causes severe health impacts and significant economic losses in the livestock sector. The rapid spread of this disease highlights the need for early and accurate detection methods to prevent further outbreaks. Conventional diagnostic techniques, such as Polymerase Chain Reaction (PCR) and Enzyme-Linked Immunosorbent Assay (ELISA), offer high accuracy but require considerable time, cost, and specialized expertise, making them less effective for rapid field deployment. Therefore, Deep Learning-based approaches utilizing digital image analysis have emerged as a promising alternative for automated disease identification. This study aims to analyze and compare the performance of Convolutional Neural Network (CNN) architectures, namely MobileNet-V3 and EfficientNet-B5, in classifying images of healthy cattle and cattle infected with LSD. The dataset consists of 1,200 images, divided into training, validation, and testing sets with a ratio of 80:10:10. The research methodology includes image preprocessing, data augmentation, implementation of transfer learning, and model training using various hyperparameter configurations. Model performance was evaluated using accuracy, precision, recall, and F1-score. The results show that MobileNet-V3achieved an accuracy of 88%, with precision of 87%, recall of 90%, and an F1-score of 89%. In contrast, EfficientNet-B5 demonstrated superior performance, achieving 97% across all evaluation metrics. These findings indicate that models with higher feature representation capacity can more effectively capture the visual characteristics of LSD, resulting in improved classification performance. Therefore, EfficientNet-B5 is recommended as the optimal model. This study contributes to the development of practical artificial intelligence-based systems for early detection of livestock diseases in real-world farming environments. Keywords: Lumpy Skin Disease, MobileNet-V3, EfficientNet-B5, Image Classification