Aplikasi Berbasis Android untuk Mendeteksi Kulit Kucing Berdasarkan Model CNN
Abstract
Penyakit kulit pada kucing dapat memberikan dampak negatif baik bagi pemilik kucing maupun hewan tersebut. Penyakit kulit seperti scabies atau kudis, serta ringworm, bersifat menular melalui sentuhan langsung dengan kucing yang terjangkit penyakit tersebut. Tungau telinga pada kucing umumnya berada di bawah rongga telinga. Kucing yang terjangkit penyakit kulit dapat mengalami kerusakan pada tubuhnya. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile berbasis Android yang dapat mendeteksi penyakit kulit pada kucing. Aplikasi ini dirancang untuk mengenali jenis penyakit kulit yang dialami kucing, seperti kudis, ringworm, dan tungau. Dalam penelitian ini, digunakan model deteksi objek berbasis deep learning dengan algoritma Convolutional Neural Network (CNN) dan TensorFlow Lite. Arsitektur yang digunakan adalah MobileNetV2 FPN Lite untuk memproses pelatihan model deteksi objek menggunakan dataset yang besar, sehingga model dapat diterapkan pada aplikasi mobile berbasis Android. Hasil penelitian menunjukkan bahwa model yang dirancang menghasilkan nilai mean Average Precision (mAP) sebesar 42% dan mean Average Recall (mAR) sebesar 23%. Evaluasi sistem dan validasi dari para ahli menghasilkan nilai sebesar 73%, menunjukkan bahwa aplikasi ini memiliki potensi untuk mendeteksi penyakit kulit pada kucing dengan akurasi yang cukup baik.
References
[2] S. Sudirman, A. Dasan, and A. Fortuna, “Deteksi penyakit kulit pada kucing dengan metode forward chaining berbasis android,” 2022.
[3] H. Patria, A. Anton, and P. Astuti, “Sistem Pakar Menggunakan Metode Certainty Factor Untuk Mendiagnosa Penyakit Kulit Pada Hewan Kucing,” Simpatik J. Sist. Inf. dan Inform., vol. 1, no. 1, pp. 1–8, 2021. [Online]. Available: http://103.75.24.116/index.php/simpatik/article/view/70
[4] A. Kirana, H. Hikmayanti, and J. Indra, “Pengenalan Pola Aksara Sunda dengan Metode Convolutional Neural Network,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 95–100, 2020.
[5] K. Wahyuddin, D. Wahiddin, and D. S. Kusumaningrum, “Sistem Deteksi Wajah Keamanan Pintu Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Arduino,” vol. IV, pp. 15–23, 2023.
[6] F. Maulana, J. Indra, S. A. P. Lestari, and Universitas, “Penerapan Convolutional Neural Network pada Timbangan Pintar Sayuran Menggunakan Raspberry Pi,” vol. II, pp. 1–9, 2021.
[7] A. A. Rahman, U. B. Perjuangan, A. Fauzi, J. Indra, and U. B. Perjuangan, “Klasifikasi Sampah Logam Dan Plastik Berbasis Raspberry Pi Dengan Metode Convolution Neural Network,” vol. IV, pp. 1–6, 2023.
[8] T. R. Mustabinnur and S. Faisal, “Sistem Kendali Suhu Dan Pemantauan Kelembaban Udara Berbasis Android Dengan Sensor DHT11,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 108–115, 2020.
[9] R. A. Fitrah, A. F. N. Masruriyah, and A. R. Juwita, “Deteksi Penyakit Kulit Kucing Menggunakan Algoritma CNN Dengan Tensorflow Lite Berbasis Android,” Karawang, Indonesia, 2023.
[10] K. Baihaqi and Y. Cahyana, “Application of Convolution Neural Network Algorithm for Rice Type Detection Using Yolo v3,” Systematics, vol. 3, no. 2, pp. 272–280, 2021.
[11] A. Ishak and N. Pakaya, “Sistem Informasi Wedding Organizer Berbasis Android,” Jambura J. Informatics, vol. 3, no. 2, pp. 97–108, 2021, doi: 10.37905/jji.v3i2.11746.
[12] A. Y. Permana and P. Romadlon, “PERANCANGAN SISTEM INFORMASI PENJUALAN PERUMAHAN MENGUNAKAN METODE SDLC PADA PT. MANDIRI LAND PROSPEROUS BERBASIS MOBILE,” Биохимия, vol. 84, no. 10, pp. 1511–1518, 2019, doi: 10.1134/s0320972519100129.
[13] T. How, “Metode SDLC,” kumparan, 2021. [Online]. Available: https://kumparan.com/how-to-tekno/metode-sdlc-definisi-manfaat-dan-jenis-modelnya-1zqTZD1AzKH
[14] N. Nahrudin, Y. Cahyana, and K. A. Baihaki, “Deteksi Bentuk Candi Jiwa dan Candi Blandongan,” vol. IV, pp. 24–30, 2023.
[15] H. Harani, N. Prianto, and M. Cahyo Hasanah, “Deteksi Objek Dan Pengenalan Karakter Plat Nomor Kendaraan Indonesia Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Python,” J. Tek. Inform., vol. 11, no. 3, pp. 47–53, 2019.