Perpustakaan Digital ITB

Peternakan X yang bergerak di bidang hewan ternak ayam broiler memiliki produktivitas kandang yang rendah, diukur dengan metrik food conversion ratio(FCR) ada di angka 1,58. Nilai FCR yang ideal berada di rentang 0,8 – 1,5 dengan nilai yang semakin rendah menunjukkan produktivitas yang semakin tinggi. Peternakan X berupaya meningkatkan produktivitas kandang dengan caramengalokasikan jumlah pakan yang diberikan sesuai dengan pertumbuhan beratayam broiler setiap harinya. Pertumbuhan berat ayam broiler di peternakan X masih diukur secara manual sehingga memerlukan banyak waktu dan tenaga kerja serta membuat ayam lebih mudah stress. Penelitian ini menyajikan metode estimasi bobot ayam pedaging secara otomatis menggunakan pendekatan computer vision dan model machine learning. Data yang digunakan dalam penelitian ini diperoleh dari video kandang ayam broiler dan perhitungan bobot manual secara harian selama 33 hari. Citra ayam pedaging diolah menggunakanbeberapa metode pengolahan citra seperti noise removal, adaptif thresholding, operasi morfologi, dan segmentasi citra untuk menghasilkan data morfologi masing-masing ayam pedaging. Pengembangan model dilakukan dengan memanfaatkan data morfologi masing-masing ayam pedaging yang mengalami peningkatan seiring dengan pertambahan bobot. Lima data morfologi ayam pedaging yang digunakan yaitu luas, keliling, jari-jari rata- rata, jari-jari maksimum, dan sumbu utama. Kelima fitur tersebut digunakan untukmembangun model machine learning menggunakan algoritma Multiple Linear Regression, Support Vector Regression, dan Artificial Neural Network. Model yang diusulkan kemudian divalidasi menggunakan metode 10-folds cross validation. Kinerja model yang diusulkan dihitung menggunakan metrik RMSE,yang menunjukkan model SVR memiliki kinerja terbaik dengan nilai RMSE 144,7 gram.