Penerapan model InceptionV3 dalam klasifikasi penyakit ayam

Abstract

Chicken disease is one of the problems that can have a very significant impact on chicken farmers, in addition to having an impact on the farm itself, chicken disease can also have an impact on the surrounding environment. Lack of knowledge about the symptoms and diseases that occur in chickens, makes some chicken breeders treat and treat diseases in a traditional way. This method often takes a long time and is prone to errors. In this study, technology will be used to classify chicken diseases by utilizing a deep learning model from the Convolutional Neural Network (CNN) architecture, namely InceptionV3. In carrying out the process of classifying chicken diseases, using a dataset of chicken feces images with a number of 8067 Healthy, Salmonella, Coccidiosis, and Newcastle disease. In the research process, three experimental scenarios were carried out using 20 epochs, 50 epochs and 100 epochs. From the experimental results, using a value of 100 epochs produces the highest accuracy value with a value of 94.05%.Penyakit ayam merupakan salah satu permasalahan yang dapat memberikan dampak yang sangat signifikan bagi para peternak ayam, selain memberikan dampak bagi peternakan itu sendiri, penyakit ayam juga dapat memberikan dampak bagi lingkungan sekitar. Kurangnya pengetahuan terhadap gejala mauppun penyakit yang terjadi pada ayam, membuat sebagian dari peternak ayam mengobati dan mengatasi penyakit dengan cara yang masih tradisional. Cara tersebut seringkali memakan waktu yang lama dan rawan terhadap kesalahan. Pada penelitian ini akan menggunakan teknologi untuk melakukan proses klasifikasi terhadap penyakit ayam dengan memanfaatkan model deep learning dari arsitektur Convolutional Neural Netwok (CNN), yaitu InceptionV3. Dalam melakukan proses klasifikasi penyakit ayam, menggunakan dataset citra feses ayam dengan jumlah 8067 Sehat, Salmonella, Coccidiosis, dan penyakit Newcastle. Pada proses penelitian dilakukan tiga skenario percobaan dengan menggunakan 20 epoch, 50 epoch dan 100 epoch. Dari hasil percobaan, penggunaan nilai 100 epoch menghasilkan nilai akurasi paling tinggi dengan nilai 94.05%.