Implementasi DenseNet-CBAM untuk Deteksi Dini Gejala Penyakit Mulut dan Kuku pada Sapi (Studi Kasus di Kabupaten Bojonegoro)

Pamungkas, Rizki Dwiki (2025) Implementasi DenseNet-CBAM untuk Deteksi Dini Gejala Penyakit Mulut dan Kuku pada Sapi (Studi Kasus di Kabupaten Bojonegoro). Undergraduate thesis, UPN "Veteran" Jawa Timur.

[img] Text
21081010279_Cover.pdf

Download (725kB)
[img] Text
21081010279_Bab 1.pdf

Download (346kB)
[img] Text
21081010279_Bab 2.pdf
Restricted to Repository staff only until 16 July 2027.

Download (1MB)
[img] Text
21081010279_Bab 3.pdf
Restricted to Repository staff only until 16 July 2027.

Download (1MB)
[img] Text
21081010279_Bab 4.pdf
Restricted to Repository staff only until 16 July 2027.

Download (2MB)
[img] Text
21081010279_Bab 5.pdf

Download (277kB)
[img] Text
21081010279_Daftar Pustaka.pdf

Download (226kB)
[img] Text
21081010279_Lampiran.pdf
Restricted to Repository staff only

Download (4MB)

Abstract

Penyakit Mulut dan Kuku (PMK) merupakan penyakit menular yang menyerang hewan berkuku belah seperti sapi, dan menjadi ancaman serius bagi peternakan di Indonesia, termasuk Kabupaten Bojonegoro. Deteksi dini menjadi sangat krusial untuk mencegah penyebaran yang lebih luas. Penelitian ini mengusulkan penerapan model DenseNet-CBAM sebagai sistem deteksi otomatis berbasis citra guna mengidentifikasi gejala awal PMK pada sapi. Data yang digunakan terdiri dari dua jenis, yaitu data primer (gambar sapi sehat dan terinfeksi dari Dinas Peternakan Bojonegoro) dan data sekunder (dari Kaggle). Tahapan preprocessing mencakup pemotongan Region of Interest (ROI), augmentasi gambar, pembagian data (train, validation, test), dan resizing ke ukuran 150x150 piksel. Model DenseNet169 dikombinasikan dengan Convolutional Block Attention Module (CBAM) untuk meningkatkan akurasi dengan memfokuskan perhatian pada fitur penting. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, serta pengujian berbagai skenario data dan hyperparameter. Hasil terbaik diperoleh pada dataset sekunder dengan akurasi sebesar 99%, menggunakan parameter pembagian data 70:15:15, batch size 16, dan epoch 50. Model diintegrasikan dalam API berbasis Flask dan diimplementasikan ke aplikasi mobile Android menggunakan Flutter, sehingga dapat digunakan secara praktis oleh peternak maupun tenaga medis veteriner untuk mendeteksi dini PMK secara real-time.

Item Type: Thesis (Undergraduate)
Contributors:
ContributionContributorsNIDN/NIDKEmail
Thesis advisorMandyartha, Eka Prakarsa0725058805UNSPECIFIED
Thesis advisorPuspaningrum, Eva Yulia0005078908UNSPECIFIED
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Computer Science > Departemen of Informatics
Depositing User: Rizki Dwiki Pamungkas
Date Deposited: 25 Jul 2025 07:55
Last Modified: 25 Jul 2025 07:55
URI: https://repository.upnjatim.ac.id/id/eprint/40580

Actions (login required)

View Item View Item