COVER - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB I - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB II - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB III - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB IV - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB V - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
BAB VI - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
PUSTAKA Jordan Electra
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
LAMPIRAN - Jordan Electra.pdf
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
Terbatas  Dewi Supryati
» Gedung UPT Perpustakaan
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.