Perpustakaan Digital ITB

Pada tahun 2022, sebanyak 80% kebutuhan sumber asupan protein daging masyarakat Indonesia berasal dari daging unggas, yang membuat peternak harus dapat melakukan proses ternak unggas secara optimal. Ayam broiler merupakan salah satu jenis ras ayam pedaging yang umum diternakkan di Indonesia. Agar proses ternak dapat dilakukan secara optimal, Feed Convertion Ratio (FCR) digunakan sebagai salah satu parameter yang menentukan seberapa efektif proses ternak yang telah dilakukan. Kenyamanan ternak, sebagai faktor dalam laju pertumbuhan dan FCR proses ternak unggas dapat dideteksi oleh teknologi visi komputer. Penelitian ini bertujuan untuk mengembangkan sistem cerdas untuk pengenalan perilaku pada ayam broiler dengan metode Precision Livestock Farming (PLF) berbasis visi komputer, guna membantu operator dalam mengamati kenyamanan ayam pada kendang komersil. Dalam penelitian ini, ayam broiler dengan strain CP 707 diamati dengan merekam data aktivitas ayam menggunakan sensor suhu, kelembaban, dan kamera pada pukul 06:00 sampai dengan 20:00 waktu setempat. Data hasil perekaman kemudian dibuat menjadi dataset dengan melakukan proses cuplik dan anotasi pada citra, dengan total jumlah objek sekitar 5000 objek pada citra yang dibagi dengan rasio 6:2:2 untuk data latih, validasi, dan pengujian. Penelitian ini menggunakan metode Instance Segmentation dengan model Mask R-CNN yang dilatih sebanyak 3000 iterasi dengan menggunakan proses transfer learning dari model MS COCO dataset untuk mengenali segmen ayam serta 3 objek pada kandang. Model terbaik hasil pelatihan kemudian digunakan sebagai detektor pada proses pelacakan objek untuk mendapatkan fitur berupa Cluster Index, Unrest Index, dan Rata-rata Perpindahan. Selanjutnya, dilakukan pemilihan fitur yang akan digunakan untuk membangun model kenyamanan ayam berdasarkan nilai Temperature Humidity Index (THI). Fitur terpilih kemudian dilatih dengan menggunakan metode pembelajaran mesin berupa Support Vector Machine (SVM) yang dilatih dengan berbagai kernel dan parameter. Hasil penelitian ini menunjukkan bahwa model terbaik untuk proses segmentasi objek jatuh pada model Mask R-CNN dengan backbone ResNet-50-FPN, yang memiliki nilai mAP50:5:95 bounding box pada sebesar 75,9%, mAP50:5:95 segmen sebesar 75,6%, dan waktu inferensi rata-rata sebesar 79,9 ms pada dataset pengujian. Setelah model tersebut digunakan untuk membandingkan fitur-fitur dengan nilai THI, fitur Cluster Index menunjukkan korelasi terbaik dengan nilai THI, dan diikuti oleh Unrest Index, namun korelasi fitur Rata-rata Perpindahan tidak bisa ditentukan. Fitur Cluster Index dan Unrest Index kemudian dilatih untuk membedakan kondisi kenyamanan ayam, dengan kondisi THI dibawah 25°C sebagai kondisi nyaman, dan diatas itu dianggap sebagai kondisi tidak nyaman. Model berbasis SVM digunakan untuk mengenali kondisi kenyamanan ayam, dengan membandingkan hasil dari 4 jenis kernel dengan parameter model yang divariasikan. Model SVM terbaik dicapai oleh model dengan kernel Linear dan parameter Nilai C = 1, yang menghasilkan nilai AP pada seluruh set data sebesar 92,26% dan Skor F1 terbobot sebesar 91,11%. Dengan menggunakan model instance segmentation Mask R-CNN, algoritma pelacak objek, dan model pengenalan kenyamanan ayam, sebuah purwarupa aplikasi telah dibuat untuk membantu operator dalam mengamati kondisi ayam broiler dengan melakukan visualisasi hasil pelacakan dan segmentasi objek, serta dapat mengirimkan notifikasi alarm kepada operator melalui bot pada aplikasi Telegram. Kata kunci: Pembelajaran Mesin, Visi Komputer, Mask R-CNN, Pelacak Objek, Pengenalan Perilaku Broiler, Support Vector Machine (SVM). ?