Klasifikasi Jenis Sapi Ras Dengan Segmentasi Menggunakan Transfer Learning Berbasis CNN Arsitektur Mobilenetv2

Sapi merupakan salah satu hewan ternak yang memiliki peran penting dalam sektor peternakan, terutama dalam klasifikasi jenis sapi ras yang berpengaruh terhadap efisiensi produksi dan kualitas genetik. Namun, metode identifikasi tradisional masih memiliki berbagai kendala, seperti hilangnya penanda dan dampak negatif pada kesejahteraan hewan. Diperlukan solusi berbasis teknologi yang lebih efisien dan akurat. Deep Learning, khususnya Convolutional Neural Network (CNN), telah menunjukkan kinerja yang unggul dalam tugas klasifikasi citra. Dalam penelitian ini, digunakan arsitektur MobileNetV2 untuk mengembangkan sistem klasifikasi jenis sapi ras dengan pendekatan transfer learning. MobileNetV2 dipilih karena memiliki struktur yang ringan dengan parameter yang lebih sedikit dibandingkan arsitektur CNN lainnya dengan pemanfaatan Depthwise Separable Convolution dan Inverted Residual Blocks. Dataset yang digunakan berisi 1252 citra sapi yang terbagi menjadi lima kategori, dengan preprocessing berupa resizing dan segmentasi menggunakan metode Thresholding Otsu. Hasil pengujian menunjukkan bahwa model dengan transfer learning mampu mencapai akurasi tertinggi sebesar 96,83% pada data pengujian, dengan precision, recall, dan F1-Score masing-masing 97% jauh lebih unggul dibandingkan model tanpa transfer learning yang hanya memperoleh akurasi di paling tinggi 21%. Model yang dikembangkan terbukti efektif dalam mengidentifikasi jenis sapi ras secara otomatis dan akurat, serta memiliki potensi untuk diterapkan dalam sistem manajemen peternakan modern yang lebih optimal, efisien, dan berkelanjutan.