KLASIFIKASI PENYAKIT PADA AYAM BERDASARKAN CITRA FESES MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-19

Mustamin, Abdillah (2024) KLASIFIKASI PENYAKIT PADA AYAM BERDASARKAN CITRA FESES MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR VGG-19. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK.pdf Download (176kB)
	Text COVER.pdf Download (142kB)
	Text DAFTAR ISI.pdf Download (122kB)
	Text DAFTAR PUSTAKA.pdf Download (190kB)
	Text PENGESAHAN PEMBIMBING.pdf Download (45kB)
	Text PENGESAHAN PENGUJI.pdf Download (51kB)
	Text SKRIPSI_FULL_ABDILLAH MUSTAMIN_123200017.pdf Restricted to Repository staff only Download (3MB)

Abstract

vi
ABSTRAK
Ayam adalah burung yang termasuk dalam famili Phasianidae dan genus Gaulus.
Ayam dipelihara untuk tujuan produksi telur, daging, dan bulu. Problem mengenai
peternakan ayam yakni penyakit yang ada pada ayam sulit dideteksi secara manual melalui
indera penglihatan manusia tentang jenis penyakit yang dialami oleh ayam. Oleh karena itu
diperlukan teknologi yang dapat membantu untuk mendeteksi penyakit ayam melalui
penyederhanaan proses dan kepastian akurasi data melalui gambar yang tinggi pada diagnosi
penyakit ayam. Pada penelitian ini menggunakan model CCN dengan arstektur VGG-19.
Untuk mencapai model yang optimal, diperlukan augmentasi dan pre-processing yang baik,
serta penyesuaian parameter yang tepat. Pengujian dilakukan dengan dua parameter yaitu
jumlah epoch dengan freezing layer dan jumlah epoch dengan fine tuning. Dari kedua
parameter tersebut, terdapat enam kombinasi pengujian yaitu Freezing Layer pada seluruh
Convolutional Layer dan 10 Epoch, Fine Tuning pada seluruh Convolutional Layer dan 10
Epoch, Freezing Layer pada seluruh Convolutional Layer dan 20 Epoch, Fine Tuning pada
seluruh Convolutional Layer dan 20 Epoch, Freezing Layer pada seluruh Convolutional
Layer dan 30 Epoch, dan Fine Tuning pada seluruh Convolutional Layer dan 30 Epoch.
Berdasarkan hasil pengujian, kombinasi terbaik adalah Fine Tuning pada seluruh
Convolutional Layer dengan 20 Epoch, yang menghasilkan accuracy sebesar 97,21%,
precision sebesar 97,00%, recall sebesar 97,00%, dan f1-score sebesar 97,00%.
Kata Kunci: Klasifikasi, Ayam, CNN, VGG-19, Epoch, Freezing Layer, Fine Tuning.
vii
ABSTRACT
Chickens are birds belonging to the family Phasianidae and the genus Gallus. Chickens are
raised for the production of eggs, meat, and feathers. A problem in chicken farming is that
chicken diseases are difficult to detect manually through human vision regarding the type of
disease experienced by the chicken. Therefore, technology is needed that can help to detect
chicken diseases by simplifying the process and ensuring high data accuracy through high-
quality images in chicken disease diagnosis. This study uses a CNN model with a VGG-19
architecture. To achieve an optimal model, good augmentation and pre-processing, as well
as proper parameter adjustments, are required. Testing is carried out with two parameters,
namely the number of epochs with freezing layers and the number of epochs with fine-tuning.
From these two parameters, there are six test combinations, namely Freezing Layer on all
Convolutional Layers and 10 Epochs, Fine Tuning on all Convolutional Layers and 10
Epochs, Freezing Layer on all Convolutional Layers and 20 Epochs, Fine Tuning on all
Convolutional Layers and 20 Epochs, Freezing Layer on all Convolutional Layers and 30
Epochs, and Fine Tuning on all Convolutional Layers and 30 Epochs. Based on the test
results, the best combination is Fine Tuning on all Convolutional Layers with 20 Epochs,
which results in an accuracy of 97.21%, precision of 97.00%, recall of 97.00%, and f1-score
of 97.00%.
Keywords: Classification, Chicken, CNN, VGG-19, Epoch, Freezing Layer, Fine Tuning

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Classification, Chicken, CNN, VGG-19, Epoch, Freezing Layer, Fine Tuning
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	06 May 2024 03:28
Last Modified:	06 May 2024 03:28
URI:	http://eprints.upnyk.ac.id/id/eprint/39393

Actions (login required)

View Item