Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Prototype Sistem Deteksi PMK Menggunakan Gambar Citra Digital Sebagai Upaya Menjaga Kesehatan Ternak di Sumbawa Siska Atmawan Oktavia1*.
Wiwin Apri Hartina2.
Devi Tanggasari3.
Rabiyatunnisah4 1 *Fakultas Rekayasa Sistem.
Program Studi Informatika.
Universitas Teknologi Sumbawa.
Sumbawa.
Indonesia 2 Fakultas Ilmu dan Teknologi Hayati .
Program Studi Peternakan.
Universitas Teknologi Sumbawa.
Sumbawa.
Indonesia 3Fakultas Ilmu dan Teknologi Pertanian.
Program Studi Teknologi Industri Pertanian.
Universitas Teknologi Sumbawa.
Indonesia 4 Fakultas Rekayasa Sistem.
Program Studi Informatika.
Universitas Teknologi Sumbawa.
Sumbawa.
Indonesia Email: 1,*Siska.
oktavia@uts.
id, 2Wiwin.
hartina@uts.
id, 3Devi.
tanggasari@uts.
id,4rabiyatunnisah@gmail.
Abstrak- Industri sapi diseluruh dunia menghadapi ancaman besar dari penyakit mulut dan kuku (PMK) karena virus Di Kabupaten Sumbawa puncak PMK terjadi pada tahun 2022 sejumlah 12.
814 ekor.
Skrining pada PMK sangat penting dilakukan untuk deteksi dini dan pengobatan dini.
Saat ini, deteksi yang dilakukan oleh petugas kesehatan hewan masih bersifat manual yang membutuhkan waktu 48 jam per satu hewan untuk mendapatkan hasil diagnosis dan rentan terhadap kesalahan.
Tujuan peneliti akan membuat Prototype Sistem Deteksi Otomatis yang meliputi Aplikasi sistem deteksi otomatis penyakit mulut dan kuku (PMK) menggunakan App Designer (GUI) system-MATLAB dalam membantu Petugas Kesehatan Hewan saat mendiagnosis hewan yang terserang PMK, menghemat waktu, biaya dan hewan Metode yang di usul untuk mengekstrak fitur pembeda sapi secara otomatis dan klasifikasi apakah sapi tersebut sakit atau sehat dengan memanfaatkan keunggulan model Convolutional Neural Network (CNN).
Berdasarkan hasil evaluasi sistem yang dibangun, sistem yang diusul dengan menggunakan algoritma Convolutional Neural Network memiliki performa lebih baik dengan akurasi .
%) dari aplikasi WEKA yaitu SMO dengan akurasi .
%).
IBk .
%).
Trees.
J48 .
%) dan Naive Bayes .
%).
Oleh karena itu, teknik untuk pemrosesan citra digital yang sangat efisien dan akurat harus digunakan untuk menghasilkan skrining penyakit PMK yang efektif.
Sistem pendukung keputusan yang diusulkan untuk skrining klinis ini diharapkan dapat memberikan kontribusi yang signifikan dan membantu mengurangi beban kerja Petugas Kesehatan Hewan saat deteksi penyakit mulut dan kuku PMK.
Kata Kunci: Prototype.
Sistem.
Penyakit Mulut dan Kuku.
Deteksi.
Citra Digital Abstract- The cattle industry worldwide faces a major threat from foot-and-mouth disease (FMD) due to the contagious nature of the In Sumbawa Regency.
FMD peaked in 2022 with 12,814 cases.
Screening for FMD is very important for early detection and Currently, detection conducted by animal health officers is still manual, requiring 48 hours per animal to obtain diagnostic results and is prone to errors.
The researchers aim to create a Prototype Automatic Detection System that includes an automatic footand-mouth disease (FMD) detection system application using App Designer (GUI) system-MATLAB to assist animal health officers in diagnosing animals infected with FMD, saving time and costs and saving animals.
The proposed method for automatically extracting distinguishing features of cattle and classifying whether the cattle are sick or healthy utilizes the advantages of the Convolutional Neural Network (CNN) model.
Based on the evaluation results of the developed system, the proposed system using the Convolutional Neural Network algorithm has better performance with an accuracy of 100% compared to the WEKA application, namely SMO with an accuracy of 90%.
IBk .
%).
Trees.
J48 .
%), and Naive Bayes .
%).
Therefore, highly efficient and accurate digital image processing techniques must be used to produce effective FMD disease screening.
The proposed decision support system for clinical screening is expected to make a significant contribution and help reduce the workload of Animal Health Officers in detecting foot-andmouth disease (FMD).
Keywords: Prototype.
System.
Foot-and-Mouth Disease.
Detection.
Digital Image
PENDAHULUAN
Penyakit Mulut dan Kuku (PMK) adalah penyakit menular yang menyerang Artiodactylae pada kebanyakan hewan berkuku terbelah .
seperti sapi, babi, domba, kambing, dan banyak spesies ungulata liar lainnya.
Penyakit mulut dan kuku (PMK) mempengaruhi wilayah yang luas di seluruh dunia dan termasuk dalam daftar penyakit yang harus diberitahukan kepada Organisasi Kesehatan Hewan Dunia.
Penyakit ini dikenal sebagai penyakit epidemi yang signifikan yang mengancam industri peternakan dunia .
Menurut Organisasi Kesehatan Hewan Dunia (WOAH) penyakit mulut dan kuku (PMK) telah diakui secara resmi di 69 negara dan 21 zona di seluruh dunia bebas penyakit mulut dan kuku (PMK), dengan atau tanpa vaksinasi.
Di sisi lain, lebih dari 100 negara yang dianggap terkena penyakit PMK secara endemic .
Pertama kalinya penyakit penyakit mulut dan kuku (PMK) mewabah di Indonesia saat kebijakan impor daging dan ternak hidup dari negara India yang belum memiliki status penyakit mulut dan kuku (PMK) .
Saat ini.
Provinsi NTB berada di peringkat ke-6 dengan total kasus sebanyak 3.
968 penyakit mulut dan kuku (PMK) aktif.
Kabupaten Sumbawa menempati peringkat kedua, diikuti oleh Kabupaten Lombok Tengah dan Kabupaten Bima, 282 kasus penyakit mulut dan kuku (PMK) aktif di Sumbawa, 640 kasus di Bima, dan 1.
675 kasus di Lombok Tengah .
Pada bulan April 2022, peternakan sapi tengah menghadapi masalah yang cukup serius akibat dari Copyright A 2025 Author .
Page 337 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT penyebaran penyakit kuku dan mulut (PMK) atau Food and Mouth Diseases (FMD) begitu cepat .
yang disebabkan oleh bakteri Genus Apthovirus dan Family Picornaviridae.
Komunitas peternakan terkena dampak dari kejadian penyakit mulut dan kuku (PMK), yang pada akhirnya mengurangi kelangsungan hidup ternak .
Gambar 1 menunjukkan ciri-ciri dari penyakit mulut dan kuku (PMK).
Gambar 1.
Ciri-ciri penyakit mulut dan kuku (PMK) Deteksi pada penyakit mulut dan kuku (PMK) menggunakan metode sistem pakar yaitu kepastian faktor (Certainty Facto.
dengan menggunakan data yang telah tervalidasi dan didukung penuh oleh dokter sebagai ahlinya .
Namun, pengoperasian dengan cara ini sangat rumit dan rawan kesalahan, karena melibatkan perpindahan data antar database dan sistem seperti ini memiliki deteksi dan pengelolaan kesalahan yang jauh lebih lemah, baik dalam entri data maupun analisis, dibandingkan sistem yang terintegrasi penuh .
Penggunaan model Convolutional Neural Network (CNN) pada aplikasi medis terbukti lebih efektif, termasuk dalam diagnosis penyakit mata karena tingkat kemampuan yang kompleks dalam citra tinggi dan kemampuan menangkap pola visual yang halus .
Convolutional neural network (CNN) dapat menganalisis, mengklasifikasikan, dan mendeteksi gambar untuk membantu diagnosis dan deteksi penyakit secara otomatis .
Dengan perkembangan teknologi terbaru, manusia terbantu dengan adanya metode convolutional neural network (CNN) dapat mengenali macam penyakit .
Menurut .
sistem deteksi otomatis dengan menggunakan citra fundus mata untuk menyelesaikan masalah yang dihadapi saat ini dalam skrining retinopati diabetik, seperti diagnosis manual dokter mata dan waktu yang dibutuhkan .
sehingga membutuhkan pengembangan solusi otomatis.
Sistem klasifikasi otomatis dengan akurasi skrining retinopati diabetik yang tinggi akan membantu mengurangi beban kerja tenaga kesehatan dalam proses deteksi dini retinopati diabetik.
Algoritma support vector machine (SVM), dan K-Nearest Neightbors (KNN) digunakan pada sistem untuk dilakukan perbandingan akurasi dengan aplikasi WEKA.
Didapat hasil aplikasi memiliki performa yang lebih baik .
%) pada SVM dan KNN dibandingkan IBK dan Trees.
J48 .
,5%) pada dataset Diaretdb0.
Namun, pada dataset expert dan messidor, aplikasi WEKA memiliki akurasi yang lebih baik .
,15%).
Identifikasi penyakit mulut dan kuku secara otomatis yang menerapkan algoritma deep learning yang berkonsentrasi pada YOLOv4-tiny dan YOLOv4 sebagai pembanding dataset mana yang lebih efektif dalam mendeteksi penyakit pada sapi.
Hasil menunjukkan YOLOv4 memperoleh tingkat akurasi 98% lebih akurat dan lebih cepat sedangkan YOLOv4-tiny memperoleh tingkat akurasi rendah dan kecepatan deteksi lebih cepat dibandingkan YOLOv4.
Dengan penerapan algoritma deep learning dapat meningkatkan deteksi penyakit .
Selain itu, .
pendekatan yang banyak digunakan untuk klasifikasi dan deteksi penyakit oleh para peneliti yaitu metode convolutional neural network (CNN) dengan nilai keakuratan .
%).
Sehingga, peneliti memilih menggunakan algoritma convolutional neural network (CNN) pada sistem yang dibangun, dan aplikasi WEKA untuk perbandingan akurasi.
Tantangan bagi Petugas Kesehatan Hewan di Sumbawa saat ini yaitu keterbatasan Petugas Kesehatan Hewan, deteksi yang dilakukan oleh petugas kesehatan hewan masih bersifat manual yang membutuhkan waktu 48 jam per satu hewan untuk mendapatkan hasil diagnosis, dan rentan terjadi kesalahan dalam diagnosis penyakit mulut dan kuku (PMK).
Berdasarkan data dari dinas kesehatan hewan kabupaten sumbawa, puncak penyakit mulut dan kuku (PMK) menunjukkan bahwa terjadinya peningkatan pada tahun 2022 dengan jumlah 12.
814 ekor sapi yang terkena penyakit mulut dan kuku.
Peningkatan jumlah kasus yang terjadi membuat petugas kesehatan mengalami kelelahan dan sering terjadinya human Oleh karena itu, dengan adanya sistem yang dibangun dapat membantu petugas dalam mendiagnosis penyakit mulut dan kuku (PMK).
Tujuan dari Prototype Sistem Deteksi Otomatis pada Penyakit Mulut dan Kuku (PMK) membantu petugas kesehatan hewan saat mendiagnosis hewan yang terserang penyakit mulut dan kuku (PMK), menghemat waktu, biaya dan hewan terselamatkan.
Copyright A 2025 Author .
Page 338 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT METODOLOGI PENELITIAN 1 Introduction Pada penelitian ini, sistem yang digunakan pada pengembangan metodologi ini yaitu System Development Life Cycle (SDLC) Waterfall.
Penelitian dilakukan secara sistematis yang terdiri dari lima tahapan yang disusun seperti yang ditunjukkan pada gambar 1 di bawah ini.
Gambar 2: Alur Penelitian .
2 DataSet Pengumpulan dataset pada penelitian merupakan kegiatan terpenting dilakukan, dataset berupa gambar citra digital yang dikumpul dari Dinas Peternakan dan Kesehatan Hewan Kabupaten Sumbawa sejumlah 50 gambar citra digital penyakit mulut dan kuku (PMK) dan 150 gambar normal .
diambil dari Dinas Peternakan dan Kesehatan Hewan Provinsi yang didampingi langsung oleh dokter hewan dan petugas kesehatan hewan pada pengambilan data gambar citra digital.
UPT Pusat Kesehatan Moyo Hulu, dan beberapa peternak sapi di kecamatan moyo hulu, moyo hilir dan lopok di Kabupaten Sumbawa.
Adapun contoh dari dataset citra digital sapi yang terindikasi terkena penyakit mulut dan kuku (PMK) dan sapi sehat dapat di lihat pada gambar 2.
Sakit Sehat Gambar 2: Contoh dataset citra digital pakar penyakit mulut dan kuku (PMK) sapi sehat Sistem yang masih bersifat manual yang digunakan oleh Petugas Kesehatan Hewan dalam menentukan diagnosis penyakit, banyak membutuhkan waktu dan rentan terjadinya error saat menentukan hasil diagnosis.
Copyright A 2025 Author .
Page 339 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Analisis Pada tahapan analisis dilakukan dengan melakukan identifikasi masalah penyakit mulut dan kuku (PMK) di Dinas Peternakan dan Kesehatan Kabupaten Sumbawa dan berbagai literatur lainnya.
Selain itu, peneliti menanyakan terkait prosedur pengambilan data dan dikumpulkan dari Dinas Peternakan dan Kesehatan Hewan Kabupaten Sumbawa.
UPT Pusat Kesehatan Hewan Moyo Hulu.
Dinas Peternakan dan Kesehatan Hewan Provinsi, dan beberapa Peternak Sapi di Kabupaten Sumbawa.
Table 1: Ringkasan tahapan analisis Sumber Dinas Peternakan dan Kesehatan Hewan Kabupaten Sumbawa.
UPT Pusat Kesehatan Hewan Moyo Hulu.
Dinas Peternakan dan Kesehatan Hewan Provinsi, dan Peternak Sapi di Kabupaten Sumbawa.
Jumlah Gambar Citra Digital 200 gambar citra digital Jumlah Gambar Pakar Pakar diagnosis 170 gambar .
citra digital PMK dan 85 citra digital Seha.
Drh.
Rayjib H.
4 Design Ditahapan desain aplikasi peneliti mengusulkan menggunakan App Designer (GUI)-Matlab, karena aplikasi ini mudah diimplementasikan dan divisualisasikan, dan juga memberikan banyak pilihan komponen Graphical User Interface (GUI).
Gambar citra digital yang diambil merupakan data terpenting dalam studi penelitian ini.
Gambar citra digital penyakit mulut dan kuku (PMK) diambil oleh Dokter Hewan dan Petugas Kesehatan Hewan.
Gambar 3 menunjukkan desain sistem yang diusul peneliti dalam pengembangan sistem.
Gambar 3: Design sistem deteksi PMK 4 Development Selanjutnya pada tahapan pengembangan sistem deteksi otomatis penyakit mulut dan kuku menggunakan Aplikasi Matlab yang menerapkan teknik preprosesing citra dan klasifikasi.
Gambar citra digital yang di input pada sistem akan menampilkan hasil diagnosis otomatis.
Ada beberapa tahapan dalam penerapan proses citra digital yaitu, input citra digital bentuk red, green, blue (RGB) dan jika gambar berbentuk grayscale maka akan dikonversi kedalam bentuk red, green, blue (RGB), setelah itu semua gambar diubah ke ukuran 100 x 100 piksel dan baca kustom agar resize dilakukan otomatis.
Selanjutnya, memastikan tipe data gambar adalah uint8.
Pada klasifikasi menggunakan model Convolutional Neural Copyright A 2025 Author .
Page 340 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Network (CNN) meniru cara kerja visual cortex manusia dengan memproses secara bertahap dari ekstrasi fitur secara spasial melalui convolution, pooling, dan klasifikasi menggunakan fully connected layer.
5 Testing Pada tahapan testing, pembagian dataset dengan perbandingan 80:20.
Data training berjumlah 136 gambar citra digital dan testing sejumlah 34 gambar citra digital.
Sistem dalam penentuan hasil diagnosis penyakit mulut dan kuku (PMK) masih bersifat manual yang dilakukan oleh petugas Kesehatan hewan yang kemudian dilakukan perbandingan dengan sistem deteksi otomatis untuk menguji dan meningkatkan sensitivitas dan spesifisitas metode penilaian yang Sensitivitas dan spesifisitas dihitung untuk menguji kapabilitas sistem yang diusulkan dan potensinya sebagai jaminan mutu dalam skrining penyakit mulut dan kuku.
Akurasi juga dihitung sebagai salah satu faktor jaminan mutu
HASIL DAN PEMBAHASAN
Pada bab ini, menyajikan hasil dari eksperimen sistem deteksi otomatis gambar citra digital penyakit mulut dan kuku (PMK).
Eksperimen dari penelitian ini akan dijelaskan dengan hasil sebagai berikut.
Sistem dimulai dengan gambar citra digital masukan.
Pada pra-pemrosesan gambar citra digital, terdapat tiga teknik, yaitu penerapan proses citra digital yaitu, menginput citra digital bentuk red, green, blue (RGB) dan jika gambar berbentuk grayscale maka akan dikonversi ke dalam bentuk RGB, setelah itu semua gambar diubah ke ukuran 100 x 100 piksel, membaca kustom agar resize dilakukan otomatis dan kemudian memastikan apakah tipe data gambar adalah uint8 dengan range .
dan jika bukan maka akan di konversi ke im2uint8.
Terakhir, pada tahap klasifikasi, citra digital diklasifikasikan menggunakan model klasifikasi Convolutional Neural Network (CNN).
Klasifikasi Pada tahap klasifikasi, berbagai pengklasifikasi pembelajaran mesin dapat dilatih untuk mengklasifikasikan citra ke dalam kelasnya masing-masing menggunakan fitur yang diekstraksi setelah tahap pra-pemrosesan citra.
Pengklasifikasi yang diusulkan yaitu model Convolutional Neural Network (CNN) di mana ekstraksi fitur pada dasarnya sudah tertanam dalam tahap klasifikasi.
1 Convolutional Neural Network (CNN) Model Convolutional Neural Network (CNN) merupakan bagian dari dari deep learning yang efektif dalam melakukan klasifikasi, deteksi objek, analisis citra, dan lainnya.
Convolutional Neural Network (CNN) yang meniru cara kerja korteks visual manusia dengan memproses gambar secara bertahap dimulai dari mengektraksi fitur spasial melalui convolution, selanjutnya pemilihan fitur penting melalui pooling, dan terakhir melakukan klasifikasi menggunakan fully connected layers.
Dataset yang digunakan sebanyak 170 citra digital diproses menggunakan model klasifikasi Convolutional Neural Network (CNN) untuk mendapatkan hasil prediksi dalam bentuk matriks konfusi.
Matriks konfusi yang terdiri dari 4 titik yaitu .
ositif benar .
, negatif salah .
, positif salah .
, dan negatif benar .
Hasil ini menunjukkan terdapat 17 data positif benar, 0 data negatif benar, 0 data negatif salah, dan 17 data positif salah.
Data yang digunakan dan diproses menggunakan model klasifikasi ini memperoleh persentase sensitivitas perhitungan sebesar 100%, spesifisitas 100%, dan akurasi 100%.
Gambar 1 menampilkan matriks konfusi data pakar lapangan berdasarkan model klasifikasi Convolutional Neural Network (CNN).
Gambar 3: Matriks konfusi Copyright A 2025 Author .
Page 341 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Tabel 2: Hasil dataset Dataset Kebenaran Ahli Evaluasi performa Sensitivity Specificity ycNycE ycNycE yaycA ycNycA ycNycA yaycE ycNycE ycNycA Accuracy ycNycE yaycE yaycA ycNycA = 1 x100= 100 % = 1 x 100 = 100% 17 0 17 0 = 34 = 1 x 100% = 100% Dari pengujian yang telah dilakukan, jumlah positif benar (TP), negatif benar (TN), negatif salah (FN), positif salah (FP) akan diukur dari pengujian yang dilakukan.
Sensitivity (SN) definisi benar pada positif benar, sedangkan specificity (SP) ditentukan untuk setiap pengujian pada identifikasi salah dari negatif benar.
Tingkat akurasi diukur sebagai proporsi hasil nyata di antara jumlah total kasus yang diuji dalam matriks ketidakpastian .
aik positif benar maupun negatif bena.
2 Klasifikasi Model WEKA Pada pengklasifikasian dengan menggunakan model WEKA, dataset yang telah dijadikan dalam bentuk .
(Comma-Separated Value.
yang digunakan untuk klasifikasi.
Langkah pertama memilih file yang telah di tentukan, kemudian memilih model klasifikasi yang akan digunakan seperti nayve bayes.
SMO.
IBk, dan Trees.
J48.
Selanjutnya, jika telah memilih model klasifikasi, lalu klik button start yang tersedia dan hasil akan muncul pada classifier output dan dapat dilihat tingkat akurasi dengan cepat tanpa melakukan codingan.
Pada tabel 2 menunjukkan hasil dataset dari penggunakan klasifikasi model WEKA.
Tabel 3: Kesimpulan Dataset Model WEKA Algorithm (Total Correctly Incorrectly Time Taken Kappa Mean Root meanRelative Root relative instances:200.
Classified Classified .
Statistic absolute squared absolute squared error Instances Instances % error (%) (%) % .
Nayve Bayes 4118% 20.
4819% 86.
SMO
0073 % 79.
IBK
6471 % 12.
6398% 87.
Trees.
J48
4706% 13.
5896% 75.
Adapun kesimpulan dari klasifikasi model yang digunakan, klasifikasi yang menggunakan model SMO lebih unggul dengan jumlah nilai akurasi yang didapat yaitu .
%) dibandingkan dengan model klasifikasi IBk dengan nilai akurasi .
6471%), kemudian diikuti oleh model Trees.
J48 dengan nilai akurasi .
4706%), dan terakhir model naive bayes dengan nilai akurasi .
4118%).
Terjadi perbedaan hasil akurasi dari algoritma klasifikasi karena tingkat error dari setiap algoritma berbeda.
Oleh karena itu, penerapan klasifikasi model WEKA mudah untuk digunakan dan hasil akurasi untuk membandingkan dengan sistem yang diusul oleh peneliti.
2 Preprosessing Pada metode preprosessing sistem deteksi otomatis penyakit mulut dan kuku (PMK) yang sudah dilakukan pada penelitian ini yaitu melakukan konversi gambar dari grayscale ke dalam bentuk red, green, blue (RGB).
Kemudian memeriksa jumlah channel gambar, jika 1 berarti gambar grayscale .
anya satu channe.
dan jika 3 berarti sudah dalam bentuk RGB .
channel: Red.
Green.
Blu.
Selanjutnya menduplikasi channel grayscale 3 kali, sehingga gambar grascale diubah menjadi gambar RGB.
Berikutnya, mengubah ukuran gambar dengan variabel target ukuran 100 x 100.
Misalkan gambar berukuran 200x150 diubah menjadi 100x100 piksel.
Tahapan berikut memastikan tipe data dengan melakukan pengecekan apakah tipe data gambar sudah berbentuk uint8 .
dan jika belum, maka gambar dikonversi ke uint8 menggunakan im2uint8.
Terakhir.
Menampilkan ukuran gambar yang sudah diproses di command windows.
Copyright A 2025 Author .
Page 342 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT Desain interface aplikasi sistem deteksi otomatis penyakit mulut dan kuku (PMK) menggunakan App Designer yang telah dirancang peneliti.
Gambar 2 menampilkan design interface yang digunakan pada deteksi penyakit mulut dan kuku (PMK).
Gambar 4: Design interface penyakit mulut dan kuku (PMK) Desain interface yang dibangun oleh peneliti sangat mudah untuk di implementasikan pada petugas Kesehatan hewan, hanya dengan mengklik button browser kemudian memilih gambar citra digital dan secara otomatis akan menampilkan hasil diagnosis pada layar.
Terdapat button delete yang berfungsi untuk menghapus gambar, dan button exit berfungsi untuk keluar dari sistem.
3 Evaluasi Sistem Penyakit Mulut dan Kuku Berdasarkan dataset pakar yang digunakan, akurasi yang tertinggi yaitu Convolutional Neural Network (CNN) dengan nilai akurasi .
%) dikarenakan jumlah dataset yang digunakan terlalu kecil, dan kurang variatif.
Kemudian dari aplikasi WEKA diikuti oleh SMO dengan nilai akurasi .
%), selanjutnya IBk dengan akurasi .
%).
Trees.
J48 dengan nilai akurasi .
%) dan terakhir Naive Bayes dengan akurasi .
%).
Terjadi perbedaan hasil akurasi dari algoritma klasifikasi WEKA karena tingkat error dari setiap algoritma berbeda.
Berdasarkan hasil evaluasi sistem yang dibangun, sistem yang diusul dengan menggunakan algoritma Convolutional Neural Network (CNN) memiliki performa lebih baik dari aplikasi WEKA.
Tabel 3 menampilakan ringkasan akurasi evaluasi sistem.
Dataset
Pakar
WEKA
Table 3: Ringkasan Akurasi Algoritma
Algorithm
CNN
SMO
IBk Trees.
J48
Nayve Bayes Accuracy KESIMPULAN Untuk menjawab pertanyaan dari penelitian ini, salah satu teknik pemrosesan khususnya pada citra digital adalah ekstraksi fitur secara otomatis.
Ada beberapa teknik untuk mengembangkan sistem skrining dan klasifikasi otomatis untuk penyakit mulut dan kuku (PMK) menggunakan citra digital untuk mendeteksi penyakit mulut dan kuku (PMK) tahap awal.
Pengklasifikasi yang diusulkan yaitu model Convolutional Neural Network (CNN) di mana ekstraksi fitur secara otomatis pada dasarnya sudah tertanam dalam tahap klasifikasi.
Convolutional Neural Network (CNN) adalah model klasifikasi yang banyak digunakan oleh peneliti saat ini.
Model Convolutional Neural Network (CNN) merupakan bagian dari dari deep learning yang efektif dalam melakukan klasifikasi, deteksi objek, analisis citra, dan lainnya.
Convolutional Neural Network (CNN) yang meniru cara kerja korteks visual manusia dengan memproses gambar secara bertahap dimulai dari mengektraksi fitur spasial melalui convolution, selanjutnya pemilihan fitur penting melalui pooling, dan terakhir melakukan klasifikasi menggunakan fully connected layers.
Pada evaluasi sistem, berdasarkan dataset pakar yang Copyright A 2025 Author .
Page 343 Jurnal BIT is licensed under a Creative Commons Attribution 4.
0 International License Bulletin of Information Technology (BIT) Vol 6.
No 4.
Desember 2025.
Hal.
ISSN 2722-0524 .
edia onlin.
DOI 10.
47065/bit.
https://journal.
org/index.
php/BIT digunakan, akurasi yang tertinggi yaitu Convolutional Neural Network (CNN) dengan nilai .
%), kemudian dari aplikasi WEKA diikuti oleh SMO dengan nilai akurasi .
%), selanjutnya IBk dengan akurasi .
%).
Trees.
J48 dengan nilai akurasi .
%) dan terakhir Naive Bayes dengan akurasi .
%).
Berdasarkan hasil evaluasi sistem yang dibangun, sistem yang diusul dengan menggunakan algoritma Convolutional Neural Network (CNN) memiliki performa lebih baik dari aplikasi WEKA.
Adapun keterbatasan dari penelitian ini yaitu dataset penyakit mulut dan kuku (PMK) yang digunakan yang terlalu kecil.
REFERENCES