Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)

Studi Optimalisasi Deteksi Intrusi Jaringan NIDS Menggunakan XGBoost pada Dataset Netflow V2

Kam, 30 Apr 2026 00:00:00 +0700

This research is motivated by the increasing complexity of cyber attacks on modern networks, necessitating the need for an adaptive and accurate network intrusion detection system (NIDS) through the use of machine learning algorithms, specifically XGBoost. This research uses the NF-UQ-NIDS-v2 dataset with structured pre-processing stages, stratified data partitioning, and the development of an XGBoost-based multi-class classification model with optimized hyperparameter configurations. The test results show that the XGBoost model achieves an overall accuracy of 98.84% with excellent performance in the majority class, but still experiences a decrease in performance in the minority class due to data imbalance. The XGBoost-based NIDS model is proven to be effective and stable in detecting large-scale network attacks, although further strategies are needed to improve detection capabilities for rare types of attacks..

Klasterisasi Potensi Budidaya Bawang Putih Berdasarkan Faktor Iklim Menggunakan PCA dan K-Means

Afida Nur Azizah, Achmad Mufliq, Awang Andhyka — Jum, 01 Mei 2026 00:00:00 +0700

Ketergantungan Indonesia terhadap impor bawang putih yang melebihi 90% kebutuhan nasional menjadi ancaman serius bagi ketahanan pangan. Salah satu penyebab utamanya adalah ketidaksesuaian antara lokasi budidaya dengan karakteristik iklim yang diperlukan untuk pertumbuhan dan pembentukan umbi bawang putih secara optimal. Penelitian ini bertujuan memetakan kesesuaian iklim bagi budidaya bawang putih di 38 provinsi di Indonesia menggunakan data iklim tahun 2024 yang mencakup suhu rata-rata, curah hujan, jumlah hari hujan, dan lama penyinaran matahari. Metode penelitian menggabungkan Principal Component Analysis (PCA) untuk mereduksi variabel iklim yang berkorelasi, dilanjutkan dengan K-Means Clustering untuk mengelompokkan provinsi berdasarkan kemiripan kondisi iklim. Evaluasi menggunakan Davies-Bouldin Index sebesar 0,7632 menunjukkan bahwa empat klaster merupakan pengelompokan yang paling optimal. Klaster 3 yang terdiri atas Jawa Barat, Sulawesi Selatan, dan Papua Pegunungan menunjukkan tingkat kesesuaian iklim tertinggi dengan suhu rata-rata 21,73°C. Visualisasi biplot PCA menggambarkan kontribusi masing-masing variabel iklim dalam pembentukan klaster. Temuan ini dapat menjadi dasar ilmiah bagi perumusan kebijakan pengembangan sentra produksi bawang putih dalam negeri yang lebih terarah.

Evaluasi dan Interpretabilitas Model Machine learning untuk Prediksi Diabetes dengan Nested cross-validation dan SHAP

Errie Tri Armawan, Riana Safitri, Lutvi Riyandari — Kam, 30 Apr 2026 00:00:00 +0700

Penelitian ini mengevaluasi dan membandingkan kinerja tiga algoritma machine learning Logistic Regression, Random Forest, dan XGBoost untuk prediksi diabetes menggunakan nested cross-validation (5-fold outer, 3-fold inner) dengan pipeline preprocessing terintegrasi untuk mencegah data leakage. Dataset yang digunakan adalah Pima Indians Diabetes Dataset (n = 768). Uji Friedman (p = 0,819) mengonfirmasi bahwa ketiga model tidak berbeda secara statistik, sehingga Logistic Regression dipilih berdasarkan prinsip parsimoni dengan stabilitas tertinggi (AUC-ROC 72,3% ± 1,6% pada nested cross-validation) dan precision 74,8% ± 6,8%. Pada data uji independen, model mencapai akurasi 69,5%, AUC-ROC 81,4%, dan PR-AUC 65,9%. Analisis SHAP mengidentifikasi Glucose, BMI, dan DiabetesPedigreeFunction sebagai tiga prediktor teratas, yang selaras dengan kriteria diagnostik dan faktor risiko dalam pedoman American Diabetes Association dan World Health Organization. Kesesuaian ini membuktikan bahwa model mempelajari pola yang bermakna secara klinis, bukan sekadar korelasi statistik.

Klasterisasi Provinsi di Indonesia Berdasarkan Produksi Komoditas Unggulan Sektor Peternakan Menggunakan K-Means

Syayyidah Lailatul Ananti, Awang Andhyka, Rizky Aditya Nugroho — Jum, 01 Mei 2026 00:00:00 +0700

Subsektor peternakan memiliki peran penting dalam mendukung ketahanan pangan dan pemenuhan kebutuhan protein hewani masyarakat Indonesia. Perbedaan kondisi geografis, sumber daya, dan kebijakan daerah menyebabkan adanya variasi tingkat produksi pada komoditas sektor peternakan antarprovinsi. Penelitian ini bertujuan untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan kesamaan produksi komoditas unggulan sektor peternakan, yaitu sapi potong, sapi perah, ayam ras petelur, dan ayam ras pedaging, menggunakan metode klasterisasi K-Means. Data yang digunakan merupakan data sekunder tahun 2023–2024 yang bersumber dari Portal Satu Data Pertanian dan mencakup 38 provinsi di Indonesia. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan melalui normalisasi Min-Max Scaling, penentuan jumlah klaster optimal menggunakan metode Elbow, penerapan algoritma K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Coefficient. Hasil analisis menunjukkan jumlah klaster optimal adalah K=3. Klaster pertama terdiri dari Provinsi Jawa Timur dengan tingkat produksi peternakan sangat tinggi dan dominan pada sebagian besar komoditas. Klaster kedua mencakup sebagian besar provinsi dengan tingkat produksi peternakan relatif rendah dan merata. Klaster ketiga terdiri dari Provinsi Jawa Barat dan Jawa Tengah yang memiliki keunggulan pada produksi ayam ras pedaging. Evaluasi klasterisasi menghasilkan nilai Silhouette Coefficient sebesar 0,8278 yang menunjukkan kualitas klaster yang sangat baik dan pemisahan antar klaster yang jelas. Hasil penelitian ini diharapkan dapat menjadi dasar pengelompokan dan identifikasi potensi subsektor peternakan antarprovinsi serta mendukung perencanaan dan penentuan prioritas kebijakan pengembangan peternakan yang lebih tepat sasaran dan berbasis data.

Penerapan Metode K-Means Clustering untuk Pengelompokan Data Persediaan Barang pada PT. X

Deny Rahmatullah, Awang Andhyka, Abdul Halim Anshor — Jum, 01 Mei 2026 00:00:00 +0700

Pengelolaan persediaan barang yang efektif membutuhkan pemahaman mendalam terhadap pola dan karakteristik stok. Penerapan data mining memungkinkan perusahaan melakukan analisis tersebut secara lebih objektif. Penelitian ini bertujuan untuk mengelompokkan data persediaan barang di PT. X menggunakan metode K-means clustering sebagai dasar identifikasi kategori barang berdasarkan kesamaan karakteristik stok. Data penelitian diperoleh dari dataset “Stock list E3” dan diolah melalui tahapan prapemrosesan, meliputi pembersihan data, penghapusan duplikasi, seleksi variabel, encoding label, serta normalisasi fitur numerik. Penentuan jumlah klaster optimal dilakukan menggunakan metode Elbow dan Silhouette Score. Hasil analisis menunjukkan bahwa nilai Silhouette Score tertinggi diperoleh pada k = 4 dengan nilai 0.985, yang mengindikasikan kualitas pengelompokan yang sangat baik. Klaster yang terbentuk merepresentasikan tiga kategori utama, yaitu normal item, bulk stock dan critical part, berdasarkan kombinasi nilai stok, harga standar, dan ketersediaan barang. Temuan penelitian ini dapat dimanfaatkan perusahaan untuk meningkatkan efisiensi pengendalian persediaan, memprioritaskan pengadaan, serta mendukung pengambilan keputusan berbasis data dalam manajemen logistik.

Persepsi Mahasiswa Program Studi Kecantikan terhadap Artificial Intelligence Analisis Kulit Wajah Otomatis

Khairina Aimar, Muh Fakhrihun Naam — Kam, 30 Apr 2026 00:00:00 +0700

Perkembangan kecerdasan buatan (artificial intelligence/AI) telah membawa perubahan signifikan di berbagai sektor, termasuk industri dan pendidikan kecantikan. Salah satu inovasi yang berkembang adalah teknologi AI Skin Functional yang memungkinkan analisis kulit wajah secara otomatis dan real-time. Namun, keberhasilan implementasi teknologi ini dalam pendidikan vokasi kecantikan sangat dipengaruhi oleh persepsi pengguna, khususnya mahasiswa sebagai calon praktisi. Penelitian ini bertujuan untuk mengidentifikasi persepsi mahasiswa program studi kecantikan terhadap penerapan teknologi AI Skin Functional dalam analisis kulit wajah berdasarkan Technology Acceptance Model (TAM). Penelitian menggunakan pendekatan kuantitatif dengan desain deskriptif cross-sectional. Data dikumpulkan melalui kuesioner terstruktur yang mengukur perceived ease of use (PEOU) dan perceived usefulness (PU), kemudian dianalisis menggunakan statistik deskriptif. Hasil penelitian menunjukkan bahwa mahasiswa memiliki persepsi positif terhadap kemudahan penggunaan dan manfaat teknologi AI Skin Functional. Temuan ini mengindikasikan bahwa teknologi analisis kulit berbasis AI berpotensi besar untuk diintegrasikan ke dalam kurikulum pendidikan kecantikan guna mendukung transformasi digital industri kecantikan.

Analisis Visual Merchandising Berbasis Computer Vision pada Konten Platform Digital AL Ceramic

Nikita Noviyanti, Yuniana Cahyaningrum — Jum, 01 Mei 2026 00:00:00 +0700

Perkembangan teknologi digital telah mendorong pelaku industri kreatif untuk memanfaatkan media sosial sebagai sarana promosi produk. Ayu Larasati Ceramic (AL Ceramic) sebuah brand keramik milik Ayu Larasati yang dikenal dengan desain organik, warna natural dan filosofi slow craft turut memanfaatkan media sosial Instagram dan situs website untuk memperkenalkan produknya. Penerapan Computer Vision ialah sebagai alat analisis Visual Merchandising untuk mengukur efektivitas konten platform digital AL Ceramic. Penelitian ini bertujuan untuk menganalisis lebih lanjut bagaimana Visual Merchandising berperan pada platform digital AL Ceramic serta mengidentifikasi elemen visual yang berpengaruh pada promosi produk. Metode penelitian yang digunakan adalah metode kualitatif dengan analisis deskriptif yang bertumpu pada prinsip dan unsur Visual Merchandising. Data diperoleh melalui observasi dan analisis visual pada konten media sosial instagram serta Website resmi AL Ceramic. Hasil penelitian menunjukkan bahwa AL Ceramic menerapkan prinsip Visual Merchandising secara konsisten dari visual yang tinggi, palet warna netral, pencahayaan lembut, dan layout minimalis yang selaras dengan identitas brand. Strategi ini tidak hanya memperkuat brand AL Ceramic tetapi juga berdampak positif terhadap engagement audiens. Dengan demikian, penerapan Computer Vision dapat menjadi instrument strategis untuk mengoptimakan Visual Merchandising serta menguatkan Branding AL Ceramic.

Persepsi Mahasiswa Terhadap Etika Penggunaan ChatGPT Di UIN Raden Intan Lampung

Agung Wilis, Rahmat iqbal, Aghesna Rahmatika Kesuma — Kam, 30 Apr 2026 00:00:00 +0700

Penggunaan teknologi kecerdasan buatan berbasis generative artificial intelligence seperti ChatGPT semakin banyak dimanfaatkan oleh mahasiswa dalam kegiatan akademik karena kemampuannya dalam menghasilkan teks, menjawab pertanyaan, serta membantu penyusunan tugas. Penelitian ini bertujuan untuk mendeskripsikan persepsi mahasiswa terhadap etika penggunaan ChatGPT dalam kegiatan akademik berdasarkan prinsip etika kecerdasan buatan UNESCO. Penelitian ini menggunakan metode kualitatif deskriptif dengan teknik pengumpulan data melalui wawancara semi-terstruktur terhadap 20 mahasiswa dari Program Studi Sistem Informasi dan Program Studi Hukum Tata Negara di Universitas Islam Negeri Raden Intan Lampung. Data dianalisis menggunakan analisis tematik deduktif dengan mengacu pada prinsip human oversight, transparency, responsibility, dan awareness. Hasil penelitian menunjukkan bahwa mahasiswa pada umumnya memandang ChatGPT sebagai alat bantu dalam kegiatan akademik yang tetap memerlukan kendali pengguna. Mahasiswa juga menunjukkan kesadaran terhadap tanggung jawab akademik, pentingnya sikap kritis dalam memverifikasi informasi, serta kewaspadaan terhadap potensi risiko penggunaan teknologi tersebut. Temuan ini menunjukkan bahwa persepsi mahasiswa terhadap etika penggunaan ChatGPT cukup baik, meskipun masih diperlukan peningkatan literasi kecerdasan buatan serta pedoman penggunaan AI yang jelas di lingkungan perguruan tinggi.

Explainable AI pada Seleksi Beasiswa KIP Berbasis Machine Learning di Universitas Adzkia

Kam, 30 Apr 2026 00:00:00 +0700

Program Kartu Indonesia Pintar Kuliah (KIP-K) bertujuan memperluas akses pendidikan tinggi bagi mahasiswa dari keluarga kurang mampu. Namun, peningkatan jumlah pendaftar serta kompleksitas verifikasi kondisi sosial ekonomi sering kali menyulitkan proses seleksi di perguruan tinggi. Penelitian ini mengusulkan pendekatan berbasis machine learning yang terintegrasi dengan Explainable Artificial Intelligence (XAI) untuk mendukung rekomendasi kelayakan penerima beasiswa menggunakan data riil seleksi mandiri Universitas Adzkia. Dataset yang digunakan terdiri dari 829 pendaftar dengan variabel sosial ekonomi seperti status P3KE, penghasilan orang tua, jumlah tanggungan keluarga, pekerjaan orang tua, serta asal sekolah. Model klasifikasi dibangun menggunakan algoritma Random Forest dan divalidasi menggunakan 5-fold cross-validation dengan metrik evaluasi accuracy, precision, recall, F1-score, serta confusion matrix. Karena dataset memiliki distribusi kelas yang tidak seimbang, dilakukan threshold optimization untuk meningkatkan kemampuan model dalam mendeteksi kandidat yang layak menerima beasiswa. Untuk meningkatkan transparansi model, penelitian ini menggunakan metode SHapley Additive exPlanations (SHAP) guna menginterpretasikan kontribusi setiap fitur baik secara global maupun lokal. Hasil penelitian menunjukkan bahwa faktor sosial ekonomi seperti status P3KE, jumlah tanggungan keluarga, penghasilan orang tua, serta wilayah asal sekolah merupakan determinan utama dalam prediksi kelayakan penerima beasiswa. Integrasi machine learning dan SHAP memungkinkan sistem seleksi yang lebih objektif, transparan, dan berbasis data dalam proses pengambilan keputusan.

Performa Logistic Regression dalam Klasifikasi Sentimen Opini Publik Pemilu di India

Okky Puspa Ningrum, Dwi Remawati, Teguh Susyanto, Wawan Laksito Yuly Saptomo — Kam, 30 Apr 2026 00:00:00 +0700

Opini publik tentang pemilu di India melalui media sosial sangat tinggi, terutama melalui twitter. Untuk
mengetahui apakah opini tersebut positif, negative atau netral maka dilkukan analisis sentiment. Data teks dari
media sosial bersifat tidak terstruktur dan penuh noise sehingga diperlukan model klasifikasi yang mampu bekerja
secara efektif pada teks pendek dan bervariasi. Penelitian ini menggunakan algoritma Logistic Regression. Hasil
eksperimen menunjukkan bahwa model dapat mencapai akurasi sebesar 84,46%. Temuan ini menunjukkan bahwa
pendekatan yang diusulkan dapat berfungsi sebagai metode yang andal dan efisien untuk pemantauan opini publik
secara otomatis. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan performa
klasifikasi yang stabil dengan tingkat akurasi yang kompetitif untuk analisis sentimen politik pada teks pendek
media sosial. Model juga menunjukkan konsistensi dalam menangani distribusi sentimen yang tidak seimbang.

Clustering Toko Ritel Berdasarkan Pola Penjualan Produk Menggunakan Algoritma K-Means

Riska Amalia Praptiwi, Yulya Muharmi, Dhella Amelia — Kam, 30 Apr 2026 00:00:00 +0700

Penelitian ini menganalisis pola penjualan toko ritel di Pekanbaru dan melakukan segmentasi berbasis data menggunakan algoritma K-Means. Dataset terdiri dari 965 toko dengan variabel numerik hasil preprocessing, meliputi total penjualan, frekuensi transaksi, rata-rata nilai pembelian, dan variasi produk. Hasil clustering menunjukkan tiga segmen toko: performa tinggi, menengah, dan rendah, dengan evaluasi kualitas menggunakan Silhouette Score sebesar 0.603 dan Davies-Bouldin Index sebesar 0.763. Visualisasi PCA memperkuat pemisahan antar cluster secara intuitif. Kebaruan penelitian ini terletak pada penerapan K-Means pada data ritel lokal Pekanbaru dengan evaluasi cluster komprehensif, sehingga menghasilkan segmentasi yang lebih representatif terhadap perilaku konsumen daerah. Temuan ini dapat dimanfaatkan untuk strategi distribusi produk, target promosi, dan evaluasi kinerja toko berbasis data. Penelitian selanjutnya dapat menambahkan variabel lokasi geografis dan demografi pelanggan untuk meningkatkan presisi segmentasi.

Pengukuran Risiko Sosial Penggunaan ChatGPT dengan Domain Risk Management COBIT 4.1

Kam, 30 Apr 2026 00:00:00 +0700

Perkembangan kecerdasan buatan generatif seperti ChatGPT telah merevolusi praktik pembelajaran mahasiswa, khususnya dalam proses pencarian informasi, penyelesaian tugas akademik, dan pengambilan keputusan berbasis pengetahuan. Meskipun demikian, pemanfaatannya juga berpotensi menimbulkan risiko sosial, antara lain misinformasi, bias informasi, serta ketergantungan teknologi yang dapat berdampak pada penurunan kualitas pembelajaran. Penelitian ini bertujuan untuk mengukur tingkat risiko sosial penggunaan ChatGPT oleh mahasiswa dengan mengadopsi domain Manage Risk (PO9) dalam kerangka COBIT 4.1. Penelitian ini menggunakan pendekatan kuantitatif deskriptif melalui survei terhadap mahasiswa. Instrumen penelitian mencakup lima aspek utama, yaitu Risk Awareness, Risk Identification, Risk Assessment, Risk Response, dan Risk Monitoring. Analisis data dilakukan menggunakan maturity index dan gap analysis antara kondisi saat ini (as-is) dan kondisi yang diharapkan (to-be). Hasil penelitian menunjukkan bahwa tingkat kematangan pengelolaan risiko berada pada rentang 3,22 hingga 3,80 dengan rata-rata pada level 3 (Defined Process), sedangkan tingkat yang diharapkan berada pada level 4 (Managed and Measurable). Hasil analisis kesenjangan menunjukkan bahwa seluruh aspek masih berada di bawah target dengan nilai GAP sebagai berikut: Risk Awareness sebesar 0,72; Risk Identification sebesar 0,78; Risk Assessment sebesar 0,20; Risk Response sebesar 0,21; dan Risk Monitoring sebesar 0,28. Kesenjangan terbesar terdapat pada Risk Identification, sedangkan yang terkecil pada Risk Assessment. Temuan ini menunjukkan bahwa mahasiswa memiliki tingkat kemampuan yang relatif baik dalam menilai risiko, namun masih mengalami kelemahan dalam mengidentifikasi risiko sejak tahap awal penggunaan ChatGPT. Secara keseluruhan, mahasiswa telah memiliki kesadaran terhadap risiko penggunaan ChatGPT, tetapi pengelolaan risikonya belum optimal. Penelitian ini diharapkan dapat menjadi dasar bagi institusi pendidikan tinggi dalam merumuskan kebijakan pemanfaatan kecerdasan buatan secara lebih bijak, sistematis, dan bertanggung jawab.

Penerapan Algoritma K-Means Clustering untuk Pengelompokan Karakteristik Limbah Makanan

Imaulidia Rediutami, Achmad Mufliq, Syahri Mu'min — Kam, 30 Apr 2026 00:00:00 +0700

Limbah makanan merupakan salah satu permasalahan lingkungan yang dapat memberikan dampak signifikan terhadap aspek lingkungan, ekonomi, serta sosial. Banyaknya timbunan limbah makanan disebabkan oleh pola produksi dan konsumsi yang tidak efisien, serta rendahnya pemahaman publik dan pemerintah terhadap karakteristik limbah makanan yang bersifat kompleks dan direpresentasikan oleh berbagai sektor seperti rumah tangga, ritel, dan bisnis makanan dan minuman cepat saji. Untuk menganalisis data limbah makanan yang kompleks tersebut, diperlukan metode analitis yang mampu menyederhanakan data kompleks menjadi informasi yang mudah dipahami. Penelitian ini bertujuan mengoptimalkan pemanfaatan algoritma K-Means Clustering dalam pengelompokan data limbah makanan berdasarkan kesamaan karakteristiknya. Data yang digunakan untuk penelitian ini mencakup beberapa indikator limbah makanan, seperti limbah makanan per kapita, per ton, dan limbah makanan dari berbagai sektor. Sebelum dilakukan klasterisasi, data akan melalui tahap pra-pemrosesan yang meliputi pengecekan kelengkapan data serta standarisasi data menggunakan RobustScaler untuk menyamakan skala semua atributnya. Kemudian, menentukan jumlah klaster menggunakan evaluasi model Elbow Method dan Silhouette Score. Setelah itu, dilakukan proses klasterisasi akhir yaitu pengelompokan atribut dengan jumlah klaster yang sudah ditentukan berdasarkan hasil kedua evaluasi model tersebut. Hasil klasterisasi diharapkan mampu digunakan sebagai dasar perancangan program edukasi yang tepat sasaran dan sebagai dasar perumusan kebijakan pengelolaan sampah yang akurat dan efisien.

Simulasi Navigasi Robot Labirin Menggunakan Algoritma Depth-First Search pada Platform Webots

Muhammad Fajri, Putri Sakinah — Kam, 30 Apr 2026 00:00:00 +0700

Autonomous Mobile Robot (AMR) merupakan cabang robotika yang memungkinkan robot berjalan dan menavigasi diri tanpa intervensi secara langsung dari manusia. Salah satu komponen penting dalam pengembangan robot ini ialah path planning, yaitu kemampuan robot dalam menentukan jalur yang akan dilaluinya. Penelitian ini bertujuan untuk menguji kemampuan algoritma Depth First Search (DFS) dalam membantu robot menavigasi diri menyelesaikan arena labirin. Algoritma DFS diimplementasikan dalam robot e-puck menggunakan simulator Webots. Robot akan diuji untuk menyelesaikan lima arena labirin yang berbeda. Hasil simulasi menunjukkan bahwa algoritma DFS mampu membantu robot dalam menyelesaikan seluruh arena labirin. Dalam implementasinya, algoritma DFS dapat menggunakan dua strategi penelusuran yang berbeda, yaitu strategi prioritas kanan dan prioritas kiri. Pada penelitian ini, strategi prioritas kanan unggul 1548,29 detik lebih cepat dalam menyelesaikan seluruh labirin dibandingkan strategi prioritas kiri.

Implementasi CNN Model Resnet50 Klasifikasi Citra Penyakit Lumpy Skin Disease Pada Sapi

Kam, 30 Apr 2026 00:00:00 +0700

Sektor peternakan sapi memiliki peran vital dalam ketahanan pangan nasional, namun dihadapkan pada tantangan penyakit menular seperti Lumpy Skin Disease (LSD). Penyakit ini menyebabkan kerugian ekonomi akibat penurunan produksi dan biaya perawatan. Deteksi dini sangat diperlukan untuk mencegah penyebaran yang lebih luas. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisis performa Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 untuk mengklasifikasi citra penyakit kulit LSD pada ternak sapi dibandingkan dengan sapi sehat. Dataset yang digunakan bersumber dari Kaggle, terdiri dari 324 citra sapi terinfeksi LSD dan 700 citra sehat, yang dibagi menjadi 80% data latih dan 20% data uji. Model dilatih menggunakan pendekatan transfer learning dengan dua tahap: pembekuan (freeze) seluruh layer backbone selama 20 epoch, dilanjutkan dengan fine-tuning parsial selama 40 epoch. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 93,17%, dengan macro average precision 91,86%, recall 92,53%, dan F1-score 92,18%. Model terbukti mampu membedakan citra sapi sehat dan terinfeksi dengan tingkat sensitivitas yang tinggi. Penggunaan arsitektur ResNet-50 merupakan solusi inovatif dan efektif untuk mempercepat diagnosis LSD berbasis kecerdasan buatan.