Deteksi Kesehatan Kucing Menggunakan Arsitektur VGG-16 Berbasis Website
DOI:
https://doi.org/10.55382/jurnalpustakadata.v5i2.1449Keywords:
CNN, Kucing, Kesehatan, VGG-16, WebsiteAbstract
Pemilik kucing sering mengalami kesulitan dalam mengenali kondisi kesehatan hewan peliharaan secara dini karena keterbatasan pengetahuan dan akses terhadap layanan dokter hewan. Kondisi tersebut dapat menyebabkan keterlambatan penanganan penyakit. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem klasifikasi kesehatan kucing berbasis web yang memanfaatkan Convolutional Neural Network (CNN) dengan arsitektur VGG-16. Sistem dirancang untuk mengidentifikasi dua kelas, yaitu kucing sehat dan kucing sakit. Dataset diperoleh melalui teknik web scraping dengan total 2.096 gambar, terdiri dari 1.672 gambar kucing sehat dan sisanya gambar kucing sakit. Data dibagi menjadi 80% data latih, 10% data validasi, dan 10% data uji, kemudian diproses melalui tahap preprocessing untuk menyesuaikan ukuran, format, serta normalisasi piksel. Model CNN dilatih dan dievaluasi menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa model mencapai akurasi 97% serta nilai precision, recall, dan F1-score yang tinggi pada kedua kelas, sehingga mampu melakukan klasifikasi dengan tingkat kesalahan yang rendah. Selain itu, pengujian sistem menggunakan metode Blackbox Testing memastikan seluruh fitur berjalan sesuai kebutuhan. Sistem berbasis web ini memungkinkan pengguna mengunggah gambar kucing secara langsung tanpa instalasi tambahan. Penelitian ini menunjukkan bahwa sistem yang dikembangkan dapat membantu pemilik kucing melakukan deteksi dini kesehatan hewan peliharaan secara cepat, praktis, dan akurat.
Downloads
References
P. D. Hadi, D. A. Widhining K, and F. A. Fiolana, “Identifikasi Jenis Ras Pada Kucing Menggunakan Algoritma Support Vector Machine (SVM),” JASIEK (Jurnal Apl. Sains, Informasi, Elektron. dan Komputer), vol. 6, no. 1, pp. 77–86, 2024, doi: 10.26905/jasiek.v6i1.10989.
N. Puspitasari, R. Rizwar, J. Jarulis, D. Darmi, and A. H. Putra, “Studi Kesejahteraan Kucing Peliharaan di Beberapa Toko Hewan Peliharaan (Pet Shop),” BIOEDUSAINSJurnal Pendidik. Biol. dan Sains, vol. 5, no. 2, pp. 382–390, 2022, doi: 10.31539/bioedusains.v5i2.2352.
A. S. Aqila, D. C. Budinuryanto, and M. Wijaya, “Penerapan Kesejahteraan Hewan oleh Staf pada Kucing yang Dirawat Inap di Klinik Hewan di Kota Bandung,” Indones. Med. Veterinus, vol. 9, no. 5, pp. 773–786, 2020, doi: 10.19087/imv.2020.9.5.773.
D. Azura, M. Nabila, and A. S. H. Damanik, “Analisis Dampak Perilaku Sterilisasi Terhadap Kesehatan Kucing Betina dan Jantan,” J. Biol., vol. 1, no. 1, pp. 1–10, 2023, doi: 10.47134/biology.v1i1.1925.
R. H. Kiswanto, S. Bakti, and R. M. H. Thamrin, “Rancang Bangun Sistem Pakar Diagnosa Penyakit Kucing Menggunakan Metode Backward Chaining,” J. Eksplora Inform., vol. 11, no. 1, pp. 67–76, 2022, doi: 10.30864/eksplora.v11i1.610.
Fira Kusuma Wardana, L. D. Bakti, and K. Nurwijayanti, “Sistem Pakar Diagnosa Penyakit Pada Kucing Dengan Metode Certainty Factor Berbasis Web,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 2, no. 1, pp. 20–31, 2023, doi: 10.69916/jkbti.v2i1.14.
M. R. Setyawan, F. R. B. Putra, and L. J. Fakhri, “Comparison of Accuracy Level of Certainty Factor Method and Bayes Theorem on Cattle Disease,” Ilk. J. Ilm., vol. 16, no. 3, pp. 343–355, 2024, doi: 10.33096/ilkom.v16i3.1943.343-355.
M. Jasmine Pemeena Priyadarsini et al., “Lung Diseases Detection Using Various Deep Learning Algorithms,” J. Healthc. Eng., vol. 2023, pp. 1–13, Feb. 2023, doi: 10.1155/2023/3563696.
D. Candra, G. Wibisono, M. Ayu, and M. Afrad, “Transfer Learning model Convolutional Neural Network menggunakan VGG-16 untuk Klasifikasi Tumor Otak pada Citra Hasil MRI,” LEDGER J. Inform. Inf. Technol., vol. 3, no. 1, pp. 11–18, 2024, doi: doi.org/10.20895/ledger.v3i1.1387.
R. Andre, B. Wahyu, and R. Purbaningtyas, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network Dengan Arsitektur Efficientnet-B3,” J. IT, vol. 11, no. 3, pp. 55–59, 2021, doi: https://doi.org/10.24853/justit.12.3.55-59.
A. Priyatama, Z. Sari, and Y. Azhar, “Deep Learning Implementation using Convolutional Neural Network for Alzheimer’s Classification,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 310–217, 2023, doi: 10.29207/resti.v7i2.4707.
F. R. B. Putra, M. R. Setyawan, and L. J. F. Rendra Soekarta, Nabila, “Implementasi Deep Learning Menggunakan Cnn Untuk Klasifikasi Tingkat Kematangan Buah Jeruk Berbasis Android,” vol. 8, no. 1, pp. 36–43, 2023, doi: 10.51544/jurnalmi.v9i2.5462.
I. Erdiansyah, M. I. N. Syahputra, and M. Dian, “Pengelolaan Diagnosis Penyakit Tanaman Padi Menggunakan Metode Teorema Bayes Management of Rice Plant Disease Diagnosis Using Bayes Theorem Method,” JIKO (JURNAL Inform. DANKOMPUTER), vol. 8, no. 2, pp. 393–403, 2024, doi: 10.26798/jiko.v8i2.1315.
I. Umami, M. Tony Adam, and Winarti, “Perancangan Sistem Informasi Pengelolaan Surat Menyurat Berbasis Web Desa Sumberkarang,” J. Ilm. Multidisiplin, vol. 1, no. 9, pp. 2880–2885, 2022.
R. Soekarta, N. Nurdjan, and A. Syah, “Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN),” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, pp. 143–151, 2023, doi: doi.org/10.33506/insect.v8i2.2356.
R. Soekarta, M. Fadli Hasa, and E. S. Ode, “Klasifikasi Kematangan Buah Pisang Secara Real-Time Menggunakan Convolutional Neural Network Berbasis Android,” vol. 10, no. 01, pp. 11–20, 2024.
M. N. Arief, M. R. Setyawan, R. Soekarta, and P. M. Simori, “Web-Based System Information Certificate Services at Klamono District Offices,” Semesta Tek., vol. 26, no. 2, pp. 181–193, 2023, doi: 10.18196/st.v26i2.19573.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Muhammad Setyawan, Fajar Rahardika Bahari Putra, Rendra Soekarta, Yolanda Iriana Manurung
This work is licensed under a Creative Commons Attribution 4.0 International License.
