Klasifikasi Penyakit Ayam Broiler Berdasarkan Citra Feses Menggunakan Arsitektur ResNet-50

Ayam broiler merupakan jenis unggas yang sangat rentan terhadap berbagai penyakit, seperti Coccidiosis, salmonellosis, dan penyakit Newcastle (NCD). Proses identifikasi status kesehatan ayam melalui pengamatan manual terhadap kotoran masih umum dilakukan, namun metode ini cenderung memakan waktu dan menghasilkan hasil yang tidak konsisten. Oleh karena itu, diperlukan sistem klasifikasi otomatis berbasis gambar untuk memfasilitasi deteksi penyakit yang lebih efektif. Penelitian ini mengembangkan model klasifikasi penyakit ayam broiler berdasarkan gambar feses dengan memanfaatkan arsitektur ResNet50 melalui pendekatan transfer learning untuk meningkatkan efisiensi pelatihan. Dataset yang digunakan terdiri dari kombinasi dataset publik “Poultry Diseases Detection” dari Kaggle dan data primer berupa gambar feses ayam broiler yang diambil menggunakan kamera ponsel. Pengujian dilakukan pada empat skenario, yaitu balance non segmentasi, balance segmentasi, imbalance non segmentasi, dan imbalance segmentasi untuk mengevaluasi dampak keseimbangan data dan penerapan segmentasi gambar terhadap kinerja model. Tahapan persiapan data meliputi segmentasi menggunakan metode GrabCut, pengelompokan dataset ke dalam kondisi seimbang dan tidak seimbang, augmentasi gambar, serta pembagian data menjadi set pelatihan, validasi, dan pengujian dengan rasio 70:15:15. Model dilatih menggunakan optimizer Adam dengan learning rate sebesar 0,0001 dan batch size sebesar 32, dan total epoch sebesar 25. Evaluasi performa dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil eksperimen ini mengindikasikan bahwa skenario balance non-segmentation memberikan performa terbaik dengan nilai accuracy mencapai 97%. Temuan ini menunjukkan bahwa pendekatan yang diusulkan berpotensi mendukung proses deteksi dini penyakit pada ayam broiler secara lebih cepat dan akurat di lingkungan peternakan.