<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>KLASIFIKASI PENYAKIT PADA UNGGAS AYAM BERBASIS&#13;
CITRA MENGGUNAKAN ALGORITMA CLAHE VISION&#13;
TRANSFORMERS</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Andhika Pradana Byantara</mods:namePart><mods:namePart type="family">Ferdiananda</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Industri peternakan ayam memiliki peran penting dalam mendukung&#13;
ketahanan pangan di Indonesia, terutama sebagai sumber utama protein hewani.&#13;
Namun, sektor ini menghadapi tantangan serius berupa tingginya tingkat&#13;
penyebaran penyakit unggas seperti Coccidiosis, New Castle Disease (NCD), dan&#13;
Salmonella. Penyakit-penyakit tersebut dapat menyebabkan kematian massal pada&#13;
unggas, menurunkan produktivitas dan menimbulkan kerugian ekonomi yang&#13;
besar. Proses diagnosis penyakit unggas yang masih banyak dilakukan secara&#13;
manual membutuhkan keahliuan khusus dan waktu yang relatif lama, sehingga&#13;
berisiko menghambat deteksi dini dan penanganan yang cepat.&#13;
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit&#13;
unggas berbasis citra menggunakan pendekatan deep learning dengan arsitektur&#13;
Vision Transformer (ViT). Vision Transformer dipilih karena kemampuannya&#13;
dalam menangkap hubungan global antar bagian citra melalui mekanisme selfattention.&#13;
Untuk&#13;
meningkatkan&#13;
kualitas&#13;
citra,&#13;
diterapkan&#13;
metode&#13;
Contrast&#13;
Limited&#13;
&#13;
Adaptive&#13;
&#13;
Histogram Equalization (CLAHE) sebagai tahap pra-pemrosesan.&#13;
Peneltian ini dilakukan dengan bebebarapa skenario, yaitu tanpa CLAHE, CLAHE&#13;
penuh pada channel RGB, dan CLAHE pada komponen luminance, guna&#13;
menganalisis pengaruh peningkatan kontras terhadap kinerja model.&#13;
Hasil penelitian menunjukkan bahwa model Vision Transformer mampu&#13;
mencapai akurasi klasifikasi di atas 97% pada seluruh skenario pengujian. Namun,&#13;
penerapan CLAHE tidak memberika peningkatan performa yang signifikan&#13;
dibanginkan penggunaan citra asli. Penelitian ini berkontribusi dalam penerapan&#13;
Vision Transformer untuk deteksi penyakit unggas secara otomatis dan dapat&#13;
dimanfaatkan oleh peternak, praktisi kesehatan hewan, serta peneliti sebagai sistem&#13;
pendukung pengambilan keputusan. Penelitian selanjutnya disarankan untuk&#13;
menggunakan dataset yang lebih beragam dan kondisi pencahayaan yang lebih&#13;
ekstrem.</mods:abstract><mods:classification authority="lcc">000 Ilmu komputer, informasi dan pekerjaan umum</mods:classification><mods:classification authority="lcc">005 Pemrograman komputer, program dan data</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8061">2026-02-23</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas AMIKOM Yogyakarta;Fakultas Ilmu Komputer</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>