Perpustakaan Digital ITB

Seiring dengan meningkatnya populasi manusia, kebutuhan akan pangan terus meningkat diiringi dengan meningkatnya kebutuhan sumber protein sebagai kebutuhan utama makronutrien yang dibutuhkan oleh manusia. Hal ini mendorong industri peternakan sebagai salah satu industri penyedia sumber pangan dan protein untuk lebih proaktif dalam meningkatkan kualitas dan kuantitasnya. Dalam hal ini, proses pengukuran berat menjadi salah satu aspek krusial untuk meningkatkan kualitas dan kuantitas produk industri ternak. Namun, metode pengukuran berat yang umumnya saat ini masih digunakan memiliki banyak keterbatasan untuk skala yang masif. Oleh karena itu, dalam penelitian ini dikembangkan sebuah solusi dengan memanfaatkan teknologi visi komputer untuk menjawab tantangan tersebut. Sistem pengukuran berat hewan ternak berbasis visi komputer dikembangkan untuk meningkatkan efisiensi dalam proses pengukuran. Sistem ini melibatkan proses segmentasi citra menggunakan model Mask R-CNN (Regional Convolutional Neural Network) untuk memprediksi segmen citra hewan ternak. Metode evaluasi AP (Average Precision) dengan nilai ambang IoU (Intersection over Union) digunakan untuk mengukur kualitas model. Hasilnya menunjukkan nilai AP kotak pembatas dan segmentasi berturut–turut 89,03% dan 76,55%. Citra segmen yang didapatkan kemudian diproses menggunakan algoritma pemrosesan citra untuk diekstrak fitur antropometrinya. Hasilnya fitur antropometri berupa dimensi panjang badan, panjang badan total, lebar dada, lebar perut, panjang diagonal, tinggi tengah, tinggi depan, tinggi belakang, panjang kepala, dan tinggi total. Proses ini melibatkan fitur antropometri yang lebih banyak dibandingkan penelitian sebelumnya. Fitur–fitur tersebut diuji secara kolinearitas satu dengan lainnya serta diuji secara signifikansi terhadap model, kemudian fitur yang lulus uji akan digunakan untuk membangun model regresi linear untuk memprediksi berat ternak domba. Hasilnya, didapatkan nilai R2 sebesar 0,85, nilai RMSE (Root Mean Square Error) data latih sebesar 0,53, dan nilai RMSE data uji sebesar 0,70.