Deteksi Perilaku Abnormal Ayam Berbasis Multiple Object Tracking dan Isolation Forest

Abstract

Daging ayam ras pedaging merupakan salah satu komoditas yang paling banyak dikonsumsi di Indonesia, dengan angka konsumsi yang meningkat sebesar 7,44% dari tahun 2014 sampai 2023. Ayam ras pedaging sudah dipilih secara genetik untuk mendukung pertumbuhan yang cepat dan dipelihara dalam jumlah besar dalam satu kandang, yang berdampak pada tingkat kepadatan dalam kandang yang tinggi. Hal ini menimbulkan masalah seperti kepincangan dan kesulitan dalam bergerak. Kepincangan merupakan masalah yang umum terjadi dalam sebuah kelompok pemeliharaan. Beberapa studi melaporkan bahwa 14% hingga 50% ayam ras pedaging mengalami kepincangan. Kepincangan juga dikaitkan dengan rasa sakit yang mengakibatkan kesulitan berjalan menuju tempat pakan dan minum, sehingga mempengaruhi bobot akhir penyembelihan secara negatif. Sebuah studi juga menemukan bahwa kepincangan pada tingkat parah, meningkatkan angkat kematian. Selain kepincangan, ayam yang tidak banyak bergerak dapat disebabkan oleh infeksi Campylobacter, yang juga memiliki resiko ketika dikonsumsi oleh manusia. Masalah kesehatan dan resiko ini mendorong pengembangan sistem pengawasan secara berkelanjutan menggunakan teknologi computer vision. Beberapa penelitian sebelumnya telah mengembangkan model untuk mendukung pengawasan ayam secara berkelanjutan, namun meskipun hasil akurasi dan presisinya cukup tinggi, penelitian tersebut umumnya masih terbatas pada konsep awal yang berfokus pada tracking dan perhitungan jumlah ayam di dalam kandang. Terdapat sebuah studi yang tidak hanya melakukan tracking pada ayam, namun juga melakukan analisis perilaku abnormal pada ayam, yang didefinisikan sebagai durasi ayam terdeteksi. Definisi tersebut relevan dengan kemampuan algoritma deteksi objek yang digunakan, yaitu Single Shot Multibox Deetector (SSD), yang masih memiliki kendala untuk mendeteksi objek yang banyak bergerak dan berinteraksi. Penelitian ini menggunakan definisi perilaku abnormal yang berbeda, yaitu ayam yang menunjukkan jumlah perpindahan posisi yang diwakili oleh posisi centroid dan pergerakan di tempat yang diwakili oleh perubahan ukuran bounding box yang relatif lebih sedikit. Definisi ini dipilih karena ayam yang tidak banyak bergerak, baik itu berjalan atau bergerak di tempat dapat menunjukkan masalah kesehatan yang disebabkan oleh kepincangan, infeksi campylobacter, atau masalah kesehatan lainnya. Selain itu, penelitian ini menggunakan algoritma deteksi objek YOLOv8n yang mampu mendeteksi objek bergerak dan berinteraksi dengan baik. Penelitian ini bertujuan untuk membuat model tracking dan deteksi perilaku abnormal ayam yang adaptif sehingga dapat mendeteksi perilaku ayam yang tidak banyak bergerak, jika dibandingkan dengan ayam lain dalam satu kandang yang sama. Model dalam penelitian ini terdiri dari integrasi model YOLOv8n sebagai model deteksi objek, Deep Simple Online Real-time Tracking (DeepSORT) sebagai model tracking, dan Isolation Forest (iForest) sebagai model deteksi anomali. Data yang digunakan merupakan video rekaman kandang yang diambil pada ketinggian 3 meter, pada tanggal 28 Agustus 2024 hingga 17 September 2024 di kandang Laboratorium B Fakultas Peternakan, IPB University. Proses penelitian meliputi tahapan praproses data (ekstraksi frame dan pelabelan frame), pembagian data, hyperparameter tuning model YOLOv8n dengan grid search, pelatihan model YOLOv8n, evaluasi model YOLOv8n menggunakan mAP@50 dan mAP@50-95, integrasi model YOLOv8n dan DeepSORT untuk membentuk model pelacakan, evaluasi model tracking menggunakan MOTA dan MOTP dengan menguji coba enam nilai confidence treshold, dan integrasi dengan iForest untuk melakukan deteksi anomali. Penelitian ini berhasil membuat model pelacakan ayam menggunakan integrasi model YOLOv8n yang sudah dilakukan hyperparameter tuning dengan hasil mAP@50 sebesar 0,995 dan mAP@50-95 sebesar 0,890, dengan algoritma pelacakan DeepSORT. Hasil evaluasi model pelacakan menunjukkan nilai confidence threshold yang terbaik merupakan 0,8 dengan nilai MOTA sebesar 0,981 dan MOTP sebesar 0,820. Hasil deteksi anomali dengan integrasi iForest, menunjukkan bahwa model mampu mendeteksi ayam yang berperilaku relatif pasif sebagai anomali, berdasarkan jumlah perubahan posisi centroid bounding box dan ukuran bounding box untuk masing-masing objek. Hasil ini diharapkan dapat digunakan sebagai dasar pengembangan sistem pengawasan ayam secara real-time dalam rangka meningkatkan kesejahteraan hewan dalam bidang peternakan ayam ras pedaging.

Broiler chicken meat is one of the most widely consumed commodities in Indonesia, with consumption increasing by 7.44% from 2014 to 2023. Broiler chickens have been genetically selected to support rapid growth and are raised in large numbers within a single housing unit, resulting in high stocking density. This condition leads to problems such as lameness and difficulty in movement. Lameness is a common issue within broiler flocks, with several studies reporting that 14% to 50% of broiler chickens experience lameness. Lameness is also associated with pain that causes difficulty in walking to feed and water sources, thereby negatively affecting final slaughter weight. One study further found that severe lameness increases mortality rates. In addition to lameness, reduced movement in chickens may also be caused by Campylobacter infection, which poses risks when consumed by humans. These health issues and risks have driven the development of continuous monitoring systems using computer vision technology.

Several previous studies have developed models to support continuous monitoring of chickens; however, despite achieving relatively high accuracy and precision, these studies are generally limited to early-stage concepts focusing on tracking and counting the number of chickens within a coop. One study not only performed chicken tracking but also analyzed abnormal behavior, which was defined as the duration of chicken detection. This definition was relevant to the capabilities of the object detection algorithm used, namely the Single Shot Multibox Detector (SSD), which still faces limitations in detecting objects that move extensively and interact with one another. The present study adopts a different definition of abnormal behavior, namely chickens that exhibit fewer positional changes represented by centroid displacement and reduced movement-in-place represented by relatively smaller changes in bounding box size. This definition was chosen because chickens that move less, whether by walking or moving in place, may indicate health problems caused by lameness, Campylobacter infection, or other health issues. In addition, this study employs the YOLOv8n object detection algorithm, which is capable of effectively detecting moving and interacting objects. This study aims to develop an adaptive chicken tracking and abnormal behavior detection model capable of identifying chickens that exhibit relatively low levels of movement compared to other chickens within the same coop. The proposed model integrates YOLOv8n as the object detection model, Deep Simple Online and Real-time Tracking (DeepSORT) as the tracking model, and Isolation Forest (iForest) for anomaly detection. The data used consist of video recordings captured at a height of 3 meters between August 28, 2024, and September 17, 2024, in Laboratory B chicken coops of the Faculty of Animal Science, IPB University. The research process includes data preprocessing (frame extraction and labeling), data splitting, hyperparameter tuning of the YOLOv8n model using grid search, YOLOv8n model training, evaluation of the YOLOv8n model using mAP@50 and mAP@50–95, integration of YOLOv8n and DeepSORT to form a tracking model, evaluation of the tracking model using MOTA and MOTP by testing six confidence threshold values, and integration with iForest for anomaly detection. The study successfully developed a chicken tracking model by integrating a hyperparameter-tuned YOLOv8n model, achieving an mAP@50 of 0.995 and an mAP@50–95 of 0.890, with the DeepSORT tracking algorithm. The tracking model evaluation results indicate that the optimal confidence threshold is 0.8, yielding a MOTA value of 0.981 and an MOTP value of 0.820. The anomaly detection results using iForest show that the model is capable of detecting relatively passive chickens as anomalies, based on the number of centroid position changes and bounding box size variations for each object. These results are expected to serve as a foundation for the development of real-time chicken monitoring systems aimed at improving animal welfare in broiler chicken farming.