Abstract:
Penyakit kulit pada kucing merupakan salah satu permasalahan kesehatan yang
sering ditemukan dan memiliki karakteristik visual yang hampir serupa pada setiap jenis
penyakit, sehingga proses identifikasi secara manual menjadi kurang efektif. Penelitian ini
bertujuan mengembangkan model klasifikasi penyakit kulit pada kucing dengan
memanfaatkan transfer learning menggunakan arsitektur MobileNetV2 sebagai ekstraktor
fitur dan CatBoost sebagai algoritma klasifikasi. Dataset yang digunakan berjumlah 1.000
citra yang terdiri atas empat kategori, yaitu Jamur, Kutu, Non Scabies, dan Scabies
Menular. Sebelum proses klasifikasi, seluruh citra melalui tahapan preprocessing berupa
resize, normalisasi, dan augmentasi untuk meningkatkan kualitas data. Fitur visual yang
diperoleh dari MobileNetV2 selanjutnya digunakan sebagai masukan bagi CatBoost untuk
menentukan kelas penyakit. Hasil pengujian pada 413 data uji menunjukkan bahwa model
mampu mengklasifikasikan 320 citra dengan benar sehingga memperoleh akurasi sebesar
77%. Selain itu, hasil evaluasi berdasarkan Precision, Recall, dan F1-Score
memperlihatkan bahwa model memiliki kemampuan yang cukup baik dalam mengenali
setiap kategori penyakit. Nilai Cohen's Kappa sebesar 0,6997 menunjukkan tingkat
kesesuaian yang baik (Good Agreement) antara hasil prediksi dan label sebenarnya,
sedangkan nilai ROC-AUC sebesar 0,8546 (85,46%) mengindikasikan kemampuan model
yang baik dalam membedakan masing-masing kelas penyakit. Hasil penelitian
menunjukkan bahwa kombinasi MobileNetV2 dan CatBoost efektif diterapkan sebagai
metode klasifikasi penyakit kulit pada kucing serta berpotensi mendukung proses deteksi
dini secara otomatis dengan tingkat keandalan yang baik.
