Implementasi algoritma Convolutional Neural Network menggunakan arsitektur ResNet-50 untuk klasifikasi penyakit telinga pada kucing berbasis citra

Maulidiyah, Siti jahro (2025) Implementasi algoritma Convolutional Neural Network menggunakan arsitektur ResNet-50 untuk klasifikasi penyakit telinga pada kucing berbasis citra. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text Cover 1.pdf Download (181kB) | Preview
Preview	Text Abstrak.pdf Download (279kB) | Preview
Preview	Text DAFTAR ISI.pdf Download (265kB) | Preview
Preview	Text BAB I.pdf Download (399kB) | Preview
	Text BAB II.pdf Restricted to Registered users only Download (782kB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Download (563kB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Download (194kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (252kB) | Request a copy
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (295kB) | Request a copy

Abstract

Penyakit telinga pada kucing merupakan salah satu permasalahan kesehatan yang kerap terjadi dan seringkali sulit dikenali secara visual tanpa bantuan tenaga medis. Seiring berkembangnya teknologi kecerdasan buatan, peluang untuk membangun sistem yang mampu mengenali dan mengklasifikasikan penyakit secara otomatis menjadi semakin terbuka. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra penyakit telinga pada kucing dengan memanfaatkan algoritma Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50. Model dirancang untuk mengenali tiga jenis penyakit, yaitu Otitis eksterna, Polip telinga, dan Jamur telinga. Dataset yang digunakan terdiri dari 713 citra yang diperoleh dari berbagai sumber daring. Proses pelatihan dilakukan dengan tiga variasi proporsi pembagian data: 60%:20%:20%, 70%:15%:15%, dan 80%:10%:10%. Evaluasi model dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa skenario pembagian 60%:20%:20% memberikan kinerja terbaik dengan akurasi sebesar 46,7%. Kata Kunci : Convolutional Neural Network (CNN), ResNet-50, image classification, cat ear diseases, deep learning.

Actions (login required)

View Item