SUPRIYANTO, Eko and Isnanto, R. Rizal and Purnomo, Sutrisno Hadi (2026) PENGEMBANGAN MODEL KLASIFIKASI CITRA KESEHATAN AYAM MENGGUNAKAN PENDEKATAN HIBRID CONVOLUTIONAL NEURAL NETWORK DAN SUPPORT VECTOR MACHINE. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text cover aja.pdf Download (249kB)
	Text Cover_Pengesahan_dll Disertasi Eko Supriyanto NIM 30000322510011.pdf Restricted to Repository staff only Download (1MB)
	Text BAB I Disertasi Eko Supriyanto NIM 30000322510011.pdf Download (438kB)
	Text BAB II Disertasi Eko Supriyanto NIM 30000322510011.pdf Download (1MB)
	Text BAB III Disertasi Eko Supriyanto NIM 30000322510011.pdf Restricted to Repository staff only Download (977kB)
	Text BAB IV Disertasi Eko Supriyanto NIM 30000322510011.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V Disertasi Eko Supriyanto NIM 30000322510011.pdf Restricted to Repository staff only Download (339kB)
	Text Daftar Pustaka Disertasi Eko Supriyanto NIM 30000322510011 Doktor Gabung.pdf Download (336kB)
	Text Lampiran Disertasi Eko Supriyanto NIM 30000322510011.pdf Restricted to Repository staff only Download (707kB)

Abstract

Data multimodal yang digunakan dalam penelitian ini terdiri atas citra ayam RGB dan inframerah untuk mengklasifikasikan kondisi ayam sehat, sakit, dan mati secara non-invasif. Dataset terdiri atas 600 pasang citra RGB dan inframerah (total 1200 citra), yang dibagi menjadi 75% data latih (450 pasang citra) dan 25% data uji (150 pasang citra). Pendekatan multimodal ini memberikan informasi visual dan termal secara bersamaan, sehingga dapat menangkap variasi fisiologis ayam secara lebih komprehensif. Model yang dikembangkan dalam penelitian ini merupakan
arsitektur hibrid baru yang menggabungkan Convolutional Neural Network (CNN) dan Support Vector Machine (SVM). Dalam arsitektur ini, CNN berfungsi sebagai ekstraktor ciri untuk menghasilkan representasi ciri dari citra ayam, sedangkan SVM digunakan sebagai klasifikator untuk menentukan kategori kesehatan ayam.
Penelitian ini menguji 5 (lima) model CNN yaitu ResNet50, DenseNet201, MobileNetV2, InceptionV3, dan Xception yang dikombinasikan dengan tiga algoritma Machine Learning yaitu SVM, XGBoost, dan Random Forest, sehingga
menghasilkan 45 eksperimen yang terdiri atas 15 eksperimen multimodal (RGB dan
inframerah), 15 eksperimen unimodal RGB, dan 15 eksperimen unimodal inframerah. Hasil terbaik diperoleh dari kombinasi DenseNet201 dan SVM menggunakan data multimodal, dengan akurasi sebesar 99,33%, presisi 99,35%, serta recall dan F1-score 99,33%. Kombinasi MobileNetV2 dan SVM juga menunjukkan kinerja tinggi (akurasi 99,33%) dengan efisiensi komputasi yang lebih baik, sehingga cocok untuk implementasi pada perangkat dengan sumber daya terbatas. Secara keseluruhan, SVM terbukti secara konsisten unggul dibandingkan XGBoost dan Random Forest sebagai klasifikator. Penerapan pendekatan ini ditujukan untuk pemantauan kesehatan ayam secara non-invasif, menggantikan metode konvensional yang masih terbatas dan invasif. Dengan hasil kinerja yang tinggi, strategi gabungan CNN dan SVM berbasis data citra multimodal ini menunjukkan potensi besar untuk diterapkan dalam sistem deteksi dini dan pemantauan kesehatan ayam secara otomatis guna mendukung produktivitas dan keberlanjutan industri peternakan.
Kata Kunci: klasifikasi citra, kesehatan ayam, Convolutional Neural Network, Support Vector Machine, unimodal, multimodal.

The multimodal dataset used in this study consists of RGB and infrared images of chickens, facilitating non-invasive classification of healthy, sick, and dead individuals. The dataset comprises 600 pairs of RGB and infrared images (totaling 1200 images), divided into 75% training data (450 image pairs) and 25% test data (150 image pairs). This multimodal approach provides both visual and thermal information, enabling more comprehensive capture of physiological variations in chickens. The proposed model employs a novel hybrid architecture that combines a Convolutional Neural Network (CNN) for feature extraction with a Support Vector Machine (SVM) for classifying chicken health status. This research tested 5 (five) CNN models, namely ResNet50, DenseNet201, MobileNetV2, InceptionV3, and Xception combined with three machine learning algorithms, namely SVM, XGBoost, and Random Forest. The highest kinerjance was achieved by integrating DenseNet201 and SVM with multimodal data, yielding an accuracy of 99.33%, precision of 99.35%, and recall and F1-score of 99.33%. The MobileNetV2 and SVM combination also achieved high accuracy (99.33%) with greater computational efficiency, making it suitable for deployment on resource-limited devices. SVM consistently outperformed XGBoost and Random Forest as classifiers. This methodology enables non-invasive monitoring of chicken health and provides an alternative to traditional invasive methods. The results demonstrate that the combined CNN and SVM approach based on multimodal image data is highly promising for early detection systems and automated chicken health monitoring, supporting productivity and sustainability in the livestock industry.
Keywords: image classification, chicken health, Convolutional Neural Network, Support Vector Machine, unimodal, multimodal

Actions (login required)

View Item