Implementasi InceptionV3 untuk Deteksi Fase Estrus Sapi Betina Berbasis Raspberry Pi

Farrassy, Muhtady and Fitri Utaminingrum, Dr.Eng., S.T., M.T. (2024) Implementasi InceptionV3 untuk Deteksi Fase Estrus Sapi Betina Berbasis Raspberry Pi. Sarjana thesis, Universitas Brawijaya.

Abstract

Indonesia, memiliki peran sentral dalam industri peternakan global. Kebutuhan makanan yang terus meningkat menempatkan industri peternakan sebagai pilar utama penyedia sumber daya protein hewani. Meskipun telah mengalami modernisasi, terdapat tantangan terkait ketersediaan daging sapi yang tidak memadai untuk memenuhi permintaan. Produksi daging yang menurun di Indonesia dipengaruhi oleh berbagai faktor, termasuk kegagalan inseminasi buatan (IB). Menurut survey Fakultas Peternakan Universitas Brawijaya, peternak mengalami kendala dalam menerapkan proses IB (Humas Fapet, 2023). Kendala ini diakibatkan oleh ketidaktahuan peternak akan tanda-tanda birahi (estrus) pada sapi. Deteksi fase estrus pada sapi menjadi kritis, dan pengamatan visual vulva, sebagai metode konvensional, memiliki keterbatasan dalam akurasi dan efisiensi. Oleh karena itu, Penelitian ini mengusulkan implementasi teknologi deep learning dengan metode InceptionV3 berbasis Raspberry Pi untuk mendeteksi fase estrus pada sapi betina. InceptionV3 merupakan model deep learning untuk klasifikasi citra yang memakai arsitektur Convolutional Neural Network (CNN). Model arsitektur ini dibangun menggunakan transfer learning dan pelatihan terhadap dataset citra yang terbagi menjadi dua kelas, yakni Estrus dan Normal. Model InceptionV3 menghasilkan nilai accuracy sebesar 0.90027, precision sebesar 0.89384, recall sebesar 0.90843, dan f1-score sebesar 0.90107 pada pelatihan model. Model yang sudah dilatih tersebut diload ke dalam Raspberry Pi untuk dilakukan pengujian deteksi terhadap sapi betina. Pengujian tersebut menghasilkan akurasi sistem sebesar 90% dengan rata-rata waktu komputasi sebesar 26.27 detik.

English Abstract

Indonesia, has a central role in the global livestock industry. The ever-increasing demand for food places the livestock industry as the main pillar of providing animal protein resources. Despite modernization, there are challenges related to the inadequate availability of beef to meet demand. Declining meat production in Indonesia is influenced by various factors, including artificial insemination (AI) failure. According to a survey by the Faculty of Animal Husbandry, Brawijaya University, farmers experience obstacles in implementing the IB process (Humas Fapet, 2023). This obstacle is caused by farmers' ignorance of the signs of estrous in cattle. Detection of estrous phase in cows is critical, and visual observation of the vulva, as a conventional method, has limitations in accuracy and efficiency. Therefore, this study proposes the implementation of deep learning technology with the Raspberry Pi-based InceptionV3 method to detect the estrous phase in female cows. InceptionV3 is a deep learning model for image classification that uses Convolutional Neural Network (CNN) architecture. This architecture model is built using transfer learning and training on image datasets that are divided into two classes, namely Estrous and Normal. The InceptionV3 model produced an accuracy value of 0.90027, precision of 0.89384, recall of 0.90843, and f1-score of 0.90107 in model training. The trained model is loaded into the Raspberry Pi to test the detection of female cows. The test resulted in a system accuracy of 90% with an average computation time of 26.27 seconds.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150189
Uncontrolled Keywords:	Deep Learning, Deteksi Fase Estrus, InceptionV3, Inseminasi Buatan, Raspberry Pi-Artificial Insemination, Deep Learning, Estrous Phase Detection, InceptionV3, Raspberry Pi
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	Sugeng Moelyono
Date Deposited:	25 Mar 2024 02:25
Last Modified:	25 Mar 2024 02:25
URI:	http://repository.ub.ac.id/id/eprint/216125

Text (DALAM MASA EMBARGO) Muhtady Farrassy.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item