ANALISIS EKSTRAKSI FITUR CITRA MENGGUNAKAN TRANSFER LEARNING UNTUK KLASIFIKASI PENYAKIT KULIT PADA KUCING DENGAN ALGORITMA CATBOOST

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.