Model Klasifikasi Induk Sapi Perah Berdasarkan Morfologi Menggunakan Metode Machine Learning

Abstract

Seleksi induk sapi perah menjadi bagian penting yang dilakukan oleh peternak skala kecil, umumnya memelihara dengan jenis sapi perah Friesian Holstein yang banyak dipelihara oleh peternak untuk menghasilkan susu. Indonesia merupakan salah satu negara dengan jumlah penduduk terbesar ke-4 di dunia. Dengan mengkonsumsi susu sangat tinggi, sementara susu di Indonesia hanya bisa mencukupi 22% dari kebutuhan konsumsi susu nasional, dan sisanya adalah susu impor. Kondisi peternakan Indonesia khususnya untuk peternak sapi perah Friesian Holstein masih rendah, baik dari skala jumlah ternak maupun produktivitas susu. Saat ini peternak menilai kualitas sapi perah untuk dijadikan induk dengan menggunakan manual dengan melihat secara visual dan bertanya kepada seorang pakar. Penilaian potensi sapi perah Friesian Holstein sekarang ini menggunakan standar SNI sebagai acuan untuk evaluasi. Masyarakat dapat melakukan pemilihan induk sapi perah untuk memaksimalkan perbaikan mutu bibit, seperti identifikasi sifat kuantitatif dengan tujuan mendapatkan jenis sapi yang berkualitas. Sifat kuantitatif misalnya tinggi pundak, panjang badan, lingkar badan yang menjadi dasar pemilihan induk sapi. Sifat kuantitatif tersebut telah masuk kedalam Standar Nasional Indonesia (SNI) dalam penilaian bibit sapi perah unggul. Pendekatan ini telah dilakukan untuk menganalisa parameter kuantitatif dengan menggunakan regresi dan Machine Learning. Salah satu permasalahan bagi peternak adalah sulitnya untuk melakukan pemilihan induk sapi perah yang berkualitas, karena banyaknya parameter yang tergabung sehingga membutuhkan pendekatan yang lebih tepat untuk menanganinya seperti penerapan metode Machine Learning. Pada seleksi induk sapi perah yang berbasis gambar didukung data kuantitatif, menganalisa parameter morfologi sapi untuk dijadikan sebagai penilaian, dan penggunaan aplikasi smartphone untuk pemilihan induk sapi perah. Adapun tujuan penelitian ini adalah membuat dataset klasifikasi induk sapi perah yang direpresentasikan ke dalam gambar morfologi pada tampak samping dan belakang, penerapan kecerdasan buatan untuk perbaikan klasifikasi induk sapi perah secara otomatis, dengan menggunakan metode Machine Learning ke dalam aplikasi smartphone. Penelitian ini mengembangkan model klasifikasi sapi, yang dikategorikan ke dalam tiga macam yaitu tinggi, sedang, dan rendah yang didukung dengan 19 parameter untuk menentukannya. Pemodelan klasifikasi menggunakan algoritma Machine Learning dan Deep Learning untuk mengoptimalkan model dilakukan pendekatan ekstraksi fitur. Penelitian ini menggunakan metode Machine Learning dan dilanjutkan dengan metode Deep Learning sebagai penerapan kecerdasan buatan yang dapat menyelesaikan permasalahan dengan cara yang tepat dan terukur. Metode yang digunakan memiliki beberapa tahap seperti akuisisi data ke peternakan, image processing, dilanjutkan pemodelan Machine Learning dan Deep Learning, dan pembuatan aplikasi smartphone. Sebelum dilakukan pemodelan, terlebih dahulu melakukan augmentasi dan ekstraksi fitur dengan menggunakan konsep pengolahan citra untuk meningkatkan kinerja model. Model akurasi yang paling optimal diimplementasikan ke dalam aplikasi, dan model yang kurang maksimal akurasi yang masih mencapai dibawah 70%, dilakukan pendekatan ektraksi fitur. Model pengujian metode Machine Learning menggunakan tiga kali percobaan dengan rasio pengujian 90:10, 80:20 dan 67:33. Algoritma Machine Learning yang diimplementasikan adalah Support Vector Machine, Random Forest, Logistic regression dan Artificial Neural Network. Untuk meningkatkan kinerja model dilakukan praproses dan ekstraksi fitur berupa Sharpness, Gaussian blur, Brightness, Canny dan Mask R-CNN. Metrik evaluasi yang digunakan adalah accuracy, precision, recall, f1-score. Pada pengujian model, dilakukan secara default untuk membandingkan kinerja model. Hasil pengujian model yang paling optimal adalah Gaussian blur dengan Support Vector Machine mencapai accuracy 94,17%, precision 94,92%, recall 93,75% dan f1-score 93,91%, dengan rasio pengujian 90:10. Untuk pengujian metode Deep Learning dengan algoritma Convolution Neural Network memiliki kinerja model terbaik dengan accuracy 96,12%, precision 96,21%, recall 95,64% dan f1-score 95,87%. Metode Deep Learning lebih optimal dibandingkan dengan metode Machine Learning. Untuk pengembangan model yang kurang optimal dilakukan pendekatan dengan segmentasi, berupa model 2 tahap segmentasi Mask R-CNN + Canny dengan klasifikasi dengan Convolution Neural Network (CNN). Ide ini diambil dari kinerja model Machine Learning menggunakan Mask R-CNN dan Deep Learning dengan Canny. Penelitian melakukan pengujian Mask R-CNN sebagai ekstraksi fitur dengan output Mask dan Bounding box, dilanjutkan CNN sebagai classifier. Pengujian metode Machine Learning dan Deep Learning menggunakan spesifikasi tools yang memiliki kemampuan khusus dengan menggunakan GPU 2GB. Hasil pengujian model mencapai accuracy 89,76%, precision 90,50%, recall 88,29% dan f1-score 89,25%, dengan hasil keluaran Bounding box dan rasio pengujian 80:20, untuk hasil model keluaran Mask mencapai accuracy 86,83%, precision 87,96%, recall 84,58% dan f1-score 85,91%. Setelah melakukan pemodelan, dilanjutkan pembuatan aplikasi seleksi induk sapi perah berupa prototype dan telah berhasil di install pada smartphone serta tersedia di playstore. Aplikasi seleksi induk sapi perah diberi nama ASIS SMART, aplikasi ini berbasis Cloud sehingga dalam penggunaannya membutuhkan jaringan internet dan aplikasi tidak membutuhkan size besar untuk di install oleh pengguna smartphone, serta mempermudah update aplikasi.

Selection of dairy cattle is an important part of small-scale farmers' practices, with Friesian Holstein dairy cattle being the most common breed kept by farmers to produce milk. Indonesia is one of the 4th most populous countries in the world. With a very high milk consumption, while milk in Indonesia can only meet 22% of the national milk consumption needs, and the rest is imported milk. The condition of Indonesian farms, especially for Friesian Holstein dairy farmers, is still low, both from the scale of the number of livestock and milk productivity. Currently, farmers assess the quality of dairy cattle to be used as mothers using manuals by looking visually and asking an expert. Assessment of the potential of Friesian Holstein dairy cattle now uses SNI standards as a reference for evaluation. The community can assess dairy cattle to maximize the improvement of seedling quality, such as the identification of quantitative traits with the aim of obtaining a quality breed of cattle. Quantitative traits such as shoulder height, body length, body circumference are the basis for selecting cattle. These quantitative traits have been included in the Indonesian National Standard (SNI) in the assessment of superior dairy cattle breeds. This approach has been done to analyze quantitative parameters using regression and Machine Learning. One of the problems for farmers is the difficulty of selecting quality dairy cattle, because of the many parameters that are incorporated, so it requires a more appropriate approach to handle it such as the application of Machine Learning methods. In image-based selection of dairy cattle supported by quantitative data, analyzing the morphological parameters of cattle to be used as an assessment, and the use of smartphone applications for the selection of dairy cattle. The purpose of this research is to create a classification dataset of dairy cattle represented in morphological images on the side and back views, the application of artificial intelligence to improve the classification of dairy cattle automatically, using Machine Learning methods into smartphone applications. This research developed a cow classification model that is categorized into three types, namely high, medium, and low, supported by 19 parameters to determine it. Classification modeling uses Machine Learning and Deep Learning algorithms to optimize the model using a feature extraction approach. This research uses machine learning methods and continued with Deep Learning methods as an application of Artificial intelligence that can solve problems in an appropriate and measurable way. The method used has several stages such as data acquisition to the farm, image processing, followed by Machine Learning and Deep Learning modeling, and making smartphone applications. Before modeling, augmentation and feature extraction are performed using image processing concepts to improve model performance. The most optimal accuracy model is implemented into the application, and the less optimal accuracy model that still reaches below 70%, the feature extraction approach is carried out. The Machine Learning method testing model uses three trials with a testing ratio of 90:10, 80:20 and 67:33. The Machine Learning algorithms implemented are Support Vector Machine, Random Forest, Logistic Regression and Artificial Neural Network. To improve the performance of the model, preprocessing and feature extraction in the form of sharpness, gaussian blur, brightness, canny and Mask RCNN were performed. The evaluation metrics used are accuracy, precision, recall, f1-score. In model testing, it is done by default to compare model performance. The most optimal model testing results are Gaussian blur with Support Vector Machine achieving accuracy 94.17%, precision 94.92%, recall 93.75% and f1-score 93.91%, with a testing ratio of 90:10. For testing Deep Learning method with Convolution Neural Network algorithm has the best model performance with accuracy 96.12%, precision 96.21%, recall 95.64% and f1-score 95.87%. The Deep Learning method is more optimal than the Machine Learning method. For the development of a less optimal model, a segmentation approach was taken, in the form of a 2-stage Mask R-CNN + Canny segmentation model with classification with Convolution Neural Network. This idea is taken from the performance of the Machine Learning model using Mask R-CNN and Deep Learning with Canny. The research tested Mask R-CNN as a feature extraction with Mask and Bounding box output, followed by Convolution Neural Network as a classifier. Testing Machine Learning and Deep Learning methods using tools specifications that have special capabilities using a GPU 2GB. The model test results achieved accuracy 89.76%, precision 90.50%, recall 88.29% and f1-score 89.25%, with Bounding box output results and a test ratio of 80:20, for Mask output model results achieved accuracy 86.83%, precision 87.96%, recall 84.58% and f1-score 85.91%. After modeling, continued to make the dairy cattle parent selection application in the form of a prototype and has been successfully installed on a smartphone and is available on PlayStore. The dairy cattle parent selection application is named ASIS SMART, this application is cloud-based so that its use requires an internet network and the application does not require a large size to be installed by smartphone users, and makes it easier to update the application.