Rancang bangun aplikasi deteksi penyakit kucing berdasarkan warna muntah menggunakan convolutional neural network berbasis Android

Ramadhan, Ageng (2025) Rancang bangun aplikasi deteksi penyakit kucing berdasarkan warna muntah menggunakan convolutional neural network berbasis Android. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1-Cover.pdf Download (54kB) | Preview
Preview	Text (ABSTRAK) 2-Abstract.pdf Download (25kB) | Preview
Preview	Text (BEBAS PLAGIARISM) 3-skbebasplagiarism_.pdf Download (156kB) | Preview
Preview	Text (DAFTAR ISI) 4-Daftarisi.pdf Download (97kB) | Preview
Preview	Text (BAB I) 5-Bab 1.pdf Download (392kB) | Preview
	Text (BAB II) 6-Bab2.pdf Restricted to Registered users only Download (361kB) | Request a copy
	Text (BAB III) 7-Bab3.pdf Restricted to Registered users only Download (77kB) | Request a copy
	Text (BAB IV) 8-Bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9-Bab5.pdf Restricted to Registered users only Download (749kB) | Request a copy
	Text (BAB VI) 10-bab6.pdf Restricted to Registered users only Download (90kB) | Request a copy
	Text (DAFTAR PUSTAKA) 11-daftarpustaka.pdf Restricted to Registered users only Download (101kB) | Request a copy
	Text (LAMPIRAN) 12-lampiran.pdf Restricted to Repository staff only Download (230kB) | Request a copy

Abstract

Pemilik kucing sering kesulitan mendiagnosis penyakit berdasarkan warna muntah, sehingga memerlukan alat bantu deteksi dini yang mudah diakses. Penelitian ini bertujuan merancang dan membangun aplikasi Deep learning menggunakan Framework untuk mengklasifikasikan warna muntah kucing (merah, kuning, dan putih) sebagai indikator awal penyakit. Model CNN dikembangkan menggunakan TensorFlow, dioptimalkan dengan augmentasi pada 300 citra, dan diimplementasikan pada platform Flutter menggunakan format TensorFlow Lite (TFLite). Pengujian model dengan metode K-Fold Cross-Validation menunjukkan performa sangat tinggi, mencapai akurasi optimal 99,31% pada konfigurasi k=15. Namun, saat diimplementasikan pada aplikasi, akurasi klasifikasi real-time menjadi 74%. Hal ini dipengaruhi oleh variasi kondisi pencahayaan dan jarak objek. Pengujian usabilitas dengan metode System Usability Scale (SUS) menghasilkan skor 89, yang menunjukkan tingkat penerimaan "Good" pada interpretasi skor SUS dan (aplikasi) diterima dengan baik oleh pengguna. Aplikasi ini berhasil memberikan solusi deteksi dini yang praktis, meskipun akurasi pada penggunaan nyata masih memiliki ruang untuk perbaikan.

Actions (login required)

View Item