Jurnal Sistem dan Teknologi Informasi Indonesia p-ISSN 2502-5724 e-ISSN 2541-5735 JUSTINDO Vol.
11 No.
Februari 2026, hal.
http://ejurnal.
id/index.
php/JUSTINDO/index https://doi.
org/10.
32528/justindo.
Klasifikasi Citra Klinis Penyakit Mulut dan Kuku Sapi Berbasis Convolutional Neural Network Clinical Image Classification of Cattle Foot and Mouth Disease Based on Convolutional Neural Network Muammar Reza Pahlawan*1.
Sahriani2.
Shabarul Mukjizat3 Teknologi Informasi.
Sains Teknologi Kesehatan.
Institut Sains Teknologi dan Kesehatan Aisyiyah Kendari Manajemen Pemasaran Internasional.
Fakultas.
Politeknik Teknokrat Internasional Email: 1tintareza@gmail.
com, 2tingsahriani@gmail.
com, 3shabarulm@gmail.
*Penulis Koresponden Received: 28 Desember 2025 Accepted: 26 Januari 2026 Published: 02 Februari 2026 This work is licensed under a Creative Commons Attribution 4.
International License.
Copyright .
2026 JUSTINDO
ABSTRAK
Penyakit Mulut dan Kuku (PMK) merupakan wabah viral yang sangat menular pada ternak sapi dan menimbulkan kerugian ekonomi signifikan bagi industri peternakan nasional.
Keterbatasan tenaga ahli di lapangan sering kali menyebabkan keterlambatan diagnosis yang berdampak pada meluasnya penyebaran Penelitian ini bertujuan untuk membangun sebuah model komputasi cerdas yang mampu mendiaknosis gejala klinis PMK secara otomatis melalui citra digital menggunakan algoritma Deep Learning jenis Convolutional Neural Network (CNN).
Tahapan metode penelitian diawali dengan pengumpulan dataset citra bagian mulut dan kuku sapi yang terbagi menjadi dua kelas, yaitu PMK dan sehat.
Proses preprocessing dilakukan dengan penyeragaman ukuran citra dan normalisasi piksel, diikuti dengan teknik augmentasi data seperti rotasi dan flip untuk mencegah overfitting.
Arsitektur model dirancang menggunakan susunan lapisan konvolusi, pooling, dan fully connected layer untuk mengekstraksi fitur visual lesi secara otomatis.
Berdasarkan hasil eksperimen, model yang diusulkan berhasil mencapai performa klasifikasi yang tinggi dengan akurasi validasi sebesar 95%.
Dalam penelitian ini jumlah dataset yang digunakan sebanyak 1000 data citra dengan rasio pembagian data adalah sebagai berikut untuk training data sebanyak 70, validation 15 dan testing 15, dari hasil penelitian ini performa klasifikasi selain akurasi terdapat pula recall sebesar 96%, f1score 94%, presisi 91%.
Kesimpulan dari penelitian ini membuktikan bahwa pendekatan computer vision dapat diandalkan sebagai alat bantu diagnostik dini yang cepat dan akurat, mendukung pengambilan keputusan yang lebih baik dalam manajemen kesehatan ternak.
Kata kunci: Deep Learning.
Convolutional Neural Network.
Penyakit Mulut dan Kuku.
Sapi.
Klasifikasi Citra.
ABSTRACT
Foot-and-Mouth Disease (FMD) is a highly contagious viral outbreak affecting cattle and causes significant economic losses to the national livestock industry.
The limited availability of veterinary experts in the field often leads to delayed diagnosis, which contributes to the rapid spread of the virus.
This study aims to develop an intelligent computational model capable of automatically diagnosing clinical symptoms of FMD from digital images using a deep learning approach based on Convolutional Neural Networks (CNN.
The research methodology begins with the collection of a dataset consisting of images of cattle mouths and hooves, categorized into two classes: FMD-infected and healthy.
The preprocessing stage involves image resizing and pixel normalization, followed by data augmentation techniques such as rotation and flipping to reduce The model architecture is designed using a sequence of convolutional layers, pooling layers, and fully connected layers to automatically extract visual features related to lesion characteristics.
Based on the experimental results, the proposed model achieves high classification performance, with a validation accuracy of 95%.
The dataset used in this study consists of 1,000 image samples, with a data split ratio of 70% for training, 15% for validation, and 15% for testing.
In addition to accuracy, the classification performance demonstrates a recall of 96%.
F1-score of 94%, and precision of 91%.
The findings of this study confirm that a JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 computer visionAebased approach can serve as a reliable tool for early diagnostic assistance, offering fast and accurate detection to support better decision-making in livestock health management.
Keywords: Deep Learning.
Convolutional Neural Network.
Foot and Mouth Disease.
Cattle.
Image Classification.
Pendahuluan Sektor peternakan merupakan salah satu pilar vital dalam ketahanan pangan nasional dan penyedia protein hewani utama bagi masyarakat Indonesia.
Namun, stabilitas industri peternakan sapi sering kali terancam oleh munculnya wabah penyakit menular yang dapat menyebabkan kerugian ekonomi yang masif.
Salah satu penyakit yang menjadi perhatian global dan nasional adalah Penyakit Mulut dan Kuku (PMK) atau Foot and Mouth Disease (FMD).
PMK disebabkan oleh Aphthovirus dari famili Picornaviridae dan dikenal memiliki tingkat penularan yang sangat tinggi .
ighly contagiou.
, menyerang hewan berkuku belah seperti sapi, kerbau, kambing, dan domba .
Gejala klinis PMK pada sapi umumnya ditandai dengan demam tinggi, hipersalivasi .
ir liur berlebi.
, serta munculnya lesi atau lepuh .
pada area mulut, lidah, gusi, dan celah kuku.
Jika tidak ditangani dengan cepat, kondisi ini menyebabkan penurunan berat badan yang drastis, penurunan produksi susu, hingga kematian pada hewan muda .
Saat ini, metode diagnosis konvensional yang menjadi standar emas .
old standar.
masih sangat bergantung pada pemeriksaan fisik manual oleh dokter hewan dan uji laboratorium seperti Polymerase Chain Reaction (PCR) atau Enzyme-Linked Immunosorbent Assay (ELISA).
Meskipun akurat, metode ini memerlukan waktu, biaya yang tidak sedikit, serta ketersediaan tenaga ahli yang sering kali terbatas di daerah pedesaan Keterlambatan dalam mendeteksi gejala awal di lapangan dapat memicu penyebaran wabah yang tidak terkendali.
Seiring dengan kemajuan teknologi informasi, implementasi kecerdasan buatan atau Artificial Intelligence (AI) telah berkembang pesat dalam bidang kesehatan hewan, khususnya dalam analisis citra medis.
Salah satu metode Deep Learning yang paling efektif dalam pengenalan pola visual adalah Convolutional Neural Network (CNN).
Berbeda dengan metode Machine Learning tradisional yang memerlukan ekstraksi fitur manual.
CNN memiliki kemampuan untuk mempelajari fitur-fitur penting dari citra input secara otomatis melalui lapisan konvolusi, mulai dari fitur dasar seperti tepi dan warna hingga pola lesi yang kompleks .
Beberapa penelitian sebelumnya telah menunjukkan keberhasilan CNN dalam mendeteksi penyakit pada tanaman dan diagnosis medis pada manusia, namun implementasi spesifik untuk deteksi dini PMK pada sapi berdasarkan citra visual masih perlu dikembangkan lebih lanjut untuk meningkatkan akurasi dan efisiensi.
Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk membangun sebuah model deteksi otomatis penyakit mulut dan kuku pada sapi menggunakan algoritma CNN.
Penelitian ini memanfaatkan data citra digital dari bagian mulut dan kuku sapi untuk diklasifikasikan ke dalam kategori terinfeksi atau sehat.
Pengembangan model ini diharapkan dapat memberikan kontribusi sebagai alat bantu diagnostik awal yang cepat, murah, dan non-invasif bagi peternak maupun tenaga penyuluh di lapangan, sehingga langkah karantina dan pengobatan dapat dilakukan sedini mungkin untuk meminimalisir kerugian ekonomi.
Metode Penelitian Penelitian ini menerapkan metode eksperimental menggunakan algoritma Deep Learning untuk menyelesaikan permasalahan klasifikasi PMK dan Sehat PMK melalui citra medis hewan.
Tahapan penelitian dirancang secara sistematis mulai dari pengumpulan data .
ata collectio.
, prapemrosesan (Preprocessing dat.
, perancangan arsitektur CNN, hingga evaluasi kinerja model.
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Gambar 1.
Alur Penelitian Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data citra digital bagian mulut dan kuku sapi.
Dataset terdiri dari dua kelas utama, yaitu kelas positif .
erinfeksi PMK) dan kelas negatif .
Citra dikumpulkan melalui observasi langsung di peternakan serta dilengkapi dengan data sekunder dari repositori citra medis veteriner.
Total dataset berjumlah 1.
000 citra, yang kemudian dibagi dengan rasio 70:15:15, dengan 70% data digunakan untuk pelatihan .
, 15% digunakan untuk validasi .
dan 15% digunakan sebagai data testing .
guna mengukur kemampuan generalisasi model .
Gambar 2.
Beberapa Contoh Data Citra Yang Digunakan Pengumpulan Data (Data Collectio.
Sebelum data dimasukkan ke dalam model, proses preprocessing dilakukan untuk meningkatkan kualitas input dan mempercepat proses komputasi.
Tahapan ini meliputi:
1 Resizing Mengubah ukuran dimensi citra asli yang beragam menjadi ukuran tetap 128 x 128 piksel agar sesuai dengan input layer arsitektur CNN.
2 Normalisasi Melakukan penskalaan nilai piksel dari rentang 0Ae255 menjadi 0Ae1.
Teknik ini bertujuan untuk mempercepat konvergensi algoritma optimasi saat proses pelatihan berlangsung .
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 3 Augmentasi Data Untuk mencegah terjadinya overfitting akibat keterbatasan jumlah data, teknik augmentasi diterapkan pada data latih.
Transformasi yang dilakukan meliputi rotasi acak .
, pembalikan horizontal .
orizontal fli.
, layar random zoom .
dan pergeseran .
idth/height shif.
Berikut merupakan summary model setelah melakukan pembangunan model beserta augmentasinya.
Gambar 3.
Model Summary Arsitektur Convolutional Neural Network (CNN) CNN dipilih karena kemampuannya yang unggul dalam mengekstraksi fitur spasial dari data citra tanpa memerlukan ekstraksi fitur manual yang rumit.
Arsitektur yang diusulkan dalam penelitian ini terdiri dari beberapa komponen utama sebagai berikut:
1 Lapisan Konvolusi (Convolutional Laye.
Lapisan ini merupakan komponen inti dari CNN yang berfungsi untuk mengekstraksi fitur dari citra Proses konvolusi dilakukan dengan menggeser kernel .
berukuran 3x3 di sepanjang citra input untuk menghasilkan feature map.
Operasi ini memungkinkan model untuk mengenali pola visual seperti tepi, tekstur, dan bentuk lesi pada mulut atau kuku sapi.
Secara matematis, operasi konvolusi diskrit didefinisikan sebagai berikut .
ya adalah citra input dan ya adalah kernel.
2 Fungsi Aktivasi (Activation Functio.
Lapisan setelah operasi konvolusi, fungsi aktivasi Rectified Linear Unit (ReLU) diterapkan untuk memperkenalkan non-linearitas ke dalam model.
Fungsi ReLU mengubah nilai negatif menjadi nol dan membiarkan nilai positif tetap, yang didefinisikan sebagai yce ycu = ycoycaycu .
cC,yc.
Penggunaan ReLU terbukti efektif dalam mengatasi masalah vanishing gradient dan mempercepat proses pelatihan .
3 Pooling Layer Lapisan Pooling, khususnya Max Pooling, digunakan untuk mereduksi dimensi spasial dari feature map sehingga mengurangi jumlah parameter dan beban komputasi.
Proses ini mengambil nilai maksimum dari area tertentu .
isalnya 2x.
, yang juga membantu membuat model lebih invarian terhadap pergeseran kecil dan distorsi pada citra input.
4 Fully Connected Layer Fitur-fitur yang telah diekstraksi dan direduksi kemudian diratakan .
menjadi vektor satu dimensi dan dimasukkan ke dalam Fully Connected Layer.
Lapisan ini berfungsi untuk melakukan klasifikasi tingkat tinggi berdasarkan fitur yang telah dipelajari sebelumnya.
Pada lapisan terakhir, digunakan fungsi aktivasi Sigmoid untuk menghasilkan probabilitas output biner .
untuk sehat dan 1 untuk terinfeksi PMK).
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Gambar 4.
Potongan Kode Program Gambar 5.
Potongan Kode Program Normalisasi Skenario Pengujian Model dilatih menggunakan algoritma optimasi Adam dengan learning rate sebesar 0.
001 dan fungsi loss Binary Cross-Entropy.
Pengujian performa model dilakukan dengan menghitung metriks Akurasi.
Presisi.
Recall, dan F1-Score berdasarkan Confusion Matrix hasil prediksi pada data Hasil dan Pembahasan Bagian ini menguraikan hasil eksperimen pengujian model Convolutional Neural Network (CNN) yang telah dibangun untuk mendeteksi Penyakit Mulut dan Kuku (PMK) pada citra sapi.
Analisis dilakukan secara kuantitatif berdasarkan metriks evaluasi dan secara kualitatif berdasarkan analisis kesalahan prediksi.
Lingkungan Implementasi Model dikembangkan dan dilatih menggunakan bahasa pemrograman Python 3.
4 dengan framework Deep Learning TensorFlow dan Keras.
Eksperimen dijalankan pada lingkungan komputasi awan Google Colab yang didukung oleh GPU NVIDIA Tesla T4 untuk mempercepat proses komputasi matriks pada lapisan konvolusi.
Dataset citra yang digunakan berjumlah 1.
data, yang terbagi menjadi 700 data latih .
150 data validasi .
dan 150 data testing .
Analisis Proses Pelatihan Proses pelatihan dilakukan sebanyak 30 epoch dengan ukuran batch 32.
Dinamika pembelajaran model dapat diamati melalui grafik perubahan nilai akurasi dan loss pada data latih dan validasi yang disajikan pada Gambar 6.
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Gambar 6.
Grafik Akurasi dan Loss pada Data Latih dan Validasi Berdasarkan Gambar 6, terlihat bahwa model mampu belajar dengan baik ditandai dengan peningkatan akurasi pelatihan yang konsisten hingga mencapai konvergensi di atas 95%.
Grafik validasi mengikuti tren pelatihan dengan jarak .
yang sempit, yang mengindikasikan bahwa model memiliki kemampuan generalisasi yang baik dan tidak mengalami overfitting yang signifikan.
Penggunaan teknik augmentasi data dan lapisan Dropout terbukti efektif dalam menjaga stabilitas model terhadap data baru.
Evaluasi Kinerja Model Semua Pengujian performa model dilakukan menggunakan 200 data validasi yang belum pernah dilihat model sebelumnya.
Hasil evaluasi berdasarkan metrik Akurasi.
Presisi.
Recall, dan F1-Score dirangkum dalam Tabel 1.
Tabel 1.
Hasil Evaluasi Kinerja Model CNN Metrik Evaluasi Akurasi (Accurac.
Presisi (Precisio.
Recall (Sensitivita.
F1-Score Nilai (%) Sebagaimana ditunjukkan pada Tabel 1, model mencapai akurasi sebesar 95%.
Nilai Recall (Sensitivita.
sebesar 96% menunjukkan bahwa model sangat handal dalam mendeteksi kasus positif .
api saki.
Dalam konteks epidemiologi hewan.
Recall yang tinggi sangat krusial untuk meminimalisir risiko sapi terinfeksi yang tidak terdeteksi (False Negativ.
yang dapat menjadi sumber penularan wabah di kandang.
Analisis Confusion Matrix Untuk memahami distribusi kesalahan klasifikasi secara mendalam, digunakan Confusion Matrix yang merepresentasikan perbandingan antara label prediksi model dengan label aktual.
https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Gambar 7.
Confusion Matrix Hasil Prediksi Berdasarkan Gambar 7, dari total 75 sampel positif (PMK), model berhasil mendeteksi 70 sampel dengan benar (True Positiv.
dan meleset pada 5 sampel (False Negativ.
Kesalahan prediksi ini sebagian besar disebabkan oleh faktor kualitas citra, seperti pencahayaan kandang yang minim atau posisi lesi yang tersembunyi.
Sementara itu, pada kelas negatif .
, terdapat 6 kesalahan prediksi (False Positiv.
Analisis visual menunjukkan bahwa kesalahan ini sering terjadi pada sapi sehat yang memiliki kotoran atau lumpur pada bagian kuku, yang oleh model dikenali menyerupai tekstur lesi luka PMK.
Meskipun demikian, secara keseluruhan model menunjukkan performa yang robust untuk diimplementasikan sebagai alat bantu skrining awal.
Kesimpulan Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, dapat disimpulkan bahwa algoritma Deep Learning dengan arsitektur Convolutional Neural Network (CNN) berhasil diterapkan untuk mendeteksi Penyakit Mulut dan Kuku (PMK) pada sapi dengan tingkat akurasi validasi mencapai 95%.
Nilai Recall yang tinggi sebesar 96% menunjukkan bahwa model sangat efektif dalam meminimalisir kesalahan deteksi pada sapi yang sakit (False Negativ.
, sehingga layak digunakan sebagai alat bantu diagnostik dini yang efektif di tingkat peternakan.
Untuk pengembangan penelitian di masa depan, penulis menyarankan perluasan dataset dengan variasi kondisi lingkungan yang lebih ekstrem, seperti pencahayaan minim atau kondisi kuku berlumpur, guna meningkatkan ketahanan model, hal ini terjadi karena pada penelitian ini masih memiliki keterbatasan dalam hal data citra yang kurang baik, dari sisi jumlah dataset yang belum mencapai 000 data menjadi keterbatasan yang berarti apalagi penelitian ini akan digunakan untuk produksi perangkat lunak dibidang peternakan.
Selain itu, pengembangan aplikasi berbasis perangkat bergerak .
obile applicatio.
sangat direkomendasikan agar deteksi dapat dilakukan secara realtime oleh peternak, serta perlu adanya studi komparasi dengan arsitektur Transfer Learning untuk mencari efisiensi komputasi terbaik pada perangkat dengan sumber daya terbatas.
Daftar Pustaka