Deteksi Fase Estrus Pada Sapi Betina Berbasis Raspberry PI Menggunakan Deep Learning Dengan ResNet-50

Yusuf, Maulana and Prof. Dr.Eng. Fitri Utaminingrum, S.T., M.T. (2024) Deteksi Fase Estrus Pada Sapi Betina Berbasis Raspberry PI Menggunakan Deep Learning Dengan ResNet-50. Sarjana thesis, Universitas Brawijaya.

Abstract

Indonesia merupakan negara dengan mayoritas penduduknya bekerja pada sektor pertanian dan peternakan. Salah satu sektor industri yang memberikan kontribusi yang signifikan guna memenuhi kebutuhan masyarakat akan sumber protein hewani adalah sektor peternakan. Sapi perah memiliki peranan penting dalam memenuhi kebutuhan sumber protein dibandingkan dengan jenis ternak Iainnya seperti kambing atau kerbau perah. Produk utama yang dihasilkan sapi perah adalah susu sehingga sapi perah berperan penting sebagai penghasil susu. Seiring meningkatnya jumlah penduduk Indonesia setiap tahunnya mengakibatkan peningkatan jumlah permintaan susu di Indonesia. Namun, Keterbatasan kemampuan produksi susu dalam negeri belum dapat memenuhi permintaan tinggi akan kebutuhan susu di masyarakat. Permasalahan ini terjadi karena pertumbuhan populasi yang tergolong Iambat ini disebabkan oleh adanya kegagalan ternak mengalami kebuntingan. Hampir 70% penyebab kegagalan ternak mengalami kebuntingan adalah tidak tepatnya dalam melakukan deteksi siklus birahi (estrus) pada sapi betina. Berangkat dari permasalahan tersebut, penelitian ini diusulkan dengan menggunakan metode Deep Learning dengan model arsitektur ResNet-50 untuk melakukan pendeteksian siklus birahi (estrus) melalui citra vulva sapi betina. ResNet-50 merupakan arsitektur pengklasifikasian citra dengan memanfaatkan metode jaringan syaraf. Model arsitektur ResNet-50 dirancang dengan metode transfer learning dalam melakukan pelatihan model terhadap dataset citra vulva sapi yang terbagi kedalam dua kelas yaitu Estrus dan Normal. Hasil pelatihan model rnenggunakan ResNet-50 mendapatkan nilai accuracy sebesar 0.96, nilai precision sebesar 0.98, nilai recall sebesar 0.95, dan nilaifl-score sebesar 0.96. Selain itu, didapatkan juga nilai macro average dari precision, recall, dan fl-score sebesar 0.97. Hasil dari pelatihan model akan dimuat kedalam sistem untuk melakukan proses deteksi fase estrus dengan waktu nyata. Berdasarkan pengujian dan analisis terhadap hasil pengujian, sistem dapat melakukan deteksi fase estrus melalui citra vulva sapi betina dengan akurasi 80 persen dengan rata-rata waktu kecepatan komputasi sebesar 22.37 detik.

English Abstract

Indonesia is a country where the majority of the population works in the agricultural and livestock sectors. One of the industrial sectors that makes a significant contribution to meeting people's needs for animal protein sources is the livestock sector. Dairy cows have an important role in meeting the needs of protein sources compared to other types of livestock such as goats or dairy buffalo. The main product produced by dairy cows is milk, so dairy cows play an important role as milk producers. As the population of Indonesia increases every year, the demand for milk in Indonesia increases. However, the limited ability of domestic milk production has not been able to meet the high demand for milk in the community. This problem occurs because the relatively slow population growth is caused by the failure of pregnant animals. Almost 70% of the causes of failure of pregnant cattle are inaccurate detection of the estrous cycle in female cows. Departing from these problems, this research was conducted by proposing a Deep Learning method with the ResNet-50 architecture model to detect the estrous cycle through the vulva image of female cows. ResNet-50 is an image classifier architecture utilizing neural network method. The ResNet-50 architecture model was designed using the transfer learning method in training the model on a dataset of cow vulva images divided into two classes, namely Estrus and Normal. The results of model training using ResNet-50 obtained an accuracy value of 0.96, a precision value of 0.98, a recall value of 0.95, and an fl-score value of 0.96. In addition, the macro average value of precision, recall, and f1-score is 0.97. The results of the model training will be loaded into the system to perform the estrus phase detection process in real time. Based on testing and analysis of the test results, the system can detect the estrus phase through the image of a female cow's vulva with an accuracy of 80 percent with an average computing speed time of 22.3 7 seconds.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150127
Uncontrolled Keywords:	Citra Vulva Sapi Betina, Deep Learning, Fase Estrus, ResNet-50, Transfer Learning-Deep Learning, Estrus Phase, Female Cow. Vulva image, ResNet-50, Transfer Learning
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	soegeng sugeng
Date Deposited:	23 Feb 2024 07:24
Last Modified:	23 Feb 2024 07:24
URI:	http://repository.ub.ac.id/id/eprint/215803

Text (DALAM MASA EMBARGO) Maulana Yusuf.pdf Restricted to Registered users only Download (9MB)

Actions (login required)

View Item