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.
References
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., G., D., Murray, Steiner, B., Tucker, P., Vasudevan, V., … Brain, G. (2021). Papers presented at the Workshop on Wireless Traffic Measurements and Modeling : June 5, 2005, Seattle, WA, USA. Papers Presented at the Workshop on Wireless Traffic Measurements and Modeling : June 5, 2005, Seattle, WA, USA, 1–21. brainhttps://www.usenix.org/conference/osdi16/technical-sessions/presentation/abadi
Adi, R. P. (2023). Mengenal CatBoost: Algoritma Boosting yang Membuat Machine Learning Lebih Efektif. Medium. https://medium.com/@rezapurnama1997/mengenal -catboost-algoritma-boosting-yang-membuat-machine-learning-lebih-efektif-5d679bab4966
Agus, I. P., Hidjah, K., Sulistianingsih, N., Hendro, G., & Syahrir, S. (2025). Implementasi Arsitektur Deep Convolutional Neural Network (CNN) dengan Transfer Learning untuk Klasifikasi Penyakit Kulit. JTIM : Jurnal Teknologi Informasi Dan Multimedia, 7(3), 461–477. https://doi.org/10.35746/jtim.v7i3.734
Aji, D. S., Ashari, W. M., & Dony, A. (2025). Classification of Skin Diseases using Digital Image Processing with MobileNetV2 Architecture. Nusantara Journal of Artificial Intelligence and Information Systems, 1(1), 35–44. https://doi.org/10.47776/nuai.v1i1.1594
Çorbacıoğlu, Ş. K., & Aksel, G. (2023). Receiver operating characteristic curve analysis in diagnostic accuracy studies: A guide to interpreting the area under the curve value. Turkish Journal of Emergency MedicineÙ, 23(4), 195 –198. https://doi.org/10.4103/tjem.tjem_182_23
Hariono, A. P. F., Haskito, A. E. P., Yessica, R., Wisesa, I. B. G. R., & Fadli, M. (2021). Penanganan scabies pada kucing mix-persia di Rafa Pet’s Care. ARSHI Veterinary Letters, 5(3), 45–46. https://doi.org/10.29244/avl.5.3.45-46
Hartono, A. C., & Muslikh, A. R. (2025). Penerapan Transfer Learning MobileNetV2 Pada Klasifikasi Citra Jenis Buah-Buahan Applying MobileNetV2 Transfer Learning for Image Classification of Fruit Types. Journal of Information System and Application Development, 3(2), 103–111. https://doi.org/10.26905/jisad.v3i2.16187
Hermanto, A. R., Aziz, A., & Sudianto, S. (2024). Perbandingan Arsitektur MobileNetV2 dan RestNet50 untuk Klasifikasi Jenis Buah Kurma Comparison of MobileNetV2 and RestNet50 Architectures for Date Fruit Classification by Type. Jurnal Sistem Dan Teknologi Informasi, 12(4), 630–637. https://doi.org/10.26418/justin.v12i4.80358
Javed, D., Arshad, U., Irfan, H., Ali, R. H., & Khan, T. A. (2025). Evaluation of Boosting Algorithms for Skin Cancer Classification Using the PAD-UFES-20 Dataset and Custom CNN Feature Extraction†. Engineering Proceedings , 87(1), 1 –8. https://doi.org/10.3390/engproc2025087115
Krisna, A. (2025). ANALISIS PERBANDINGAN PERFORMA ARSITEKTUR VGG16 DAN RESNET50 DALAM KLASIFIKASI MULTI -KELAS PADA PENYAKIT TANAMAN PADI BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN)Ù. 1 –115. http://repository.umsu.ac.id/handle/123456789/29414
Kumar, S. P., K, K. A., Mahopatra, S., Naik, B., Nayak, J., & Mishra, M. (2021). CatBoost Ensemble Approach for Diabetes Risk Prediction at Early Stages. 1st Odisha International Conference on Electrical Power Engineering, Communication and Computing Technology (ODICON), 1–6. https://doi.org/10.1109/ODICON50556.2021.9428943.
Lawrence, G., Leafasia, J., Sheridan, J., Hills, S., Wate, J., Wate, C., Montgomery, J., Pandeya, N., & Purdie, D. (2020). Control of scabies, skin sores and haematuria in children in the Solomon Islands: Another role for ivermectin. Bulletin of the World Health Organization, 83(1), 34–42. https://doi.org//S0042-96862005000100012
Levi Sabili, N., Rakhmat Umbara, F., & Melina, M. (2024). Klasifikasi Penyakit Diabetes Menggunakan Algoritma Categorical Boosting Dengan Faktor Risiko Diabetes. JATI (Jurnal Mahasiswa Teknik Informatika)Ù, 8(6), 11391 –11398. https://doi.org/10.36040/jati.v8i6.11447