| dc.description.abstract | Kuda merupakan aset berharga dalam industri peternakan. Kesehatan kuda
seringkali menjadi perhatian karena potensi penyakit yang dapat menyebabkan
kerugian ekonomi signifikan. Diagnosis dini dan akurat pada kesehatan kuda
merupakan hal yang penting untuk mencegah dan mengurangi dampak penyakit.
Penelitian ini mengimplementasikan metode Ensemble Learning, yang
memanfaatkan metode bagging, boosting, dan stacking, untuk mengklasifikasikan
kondisi kesehatan kuda ke dalam kelas sehat dan sakit. Data yang digunakan
mencakup detak jantung, suhu tubuh, laju pernafasan, dan saturasi oksigen.
Perbandingan performa tiga metode tersebut dilakukan untuk menentukan metode
terbaik dalam klasifikasi kesehatan kuda. Hasil penelitian menunjukkan bahwa
metode model Random Forest menunjukkan hasil baik dengan performa seimbang
dengan akurasi 96.33% dan recall 94%. Namun, Stacking Ensemble learning
tercatat sebagai model terbaik berkat kemampuannya menggabungkan kekuatan
berbagai model dasar dengan skor tertinggi, dengan akurasi 96.89%, recall 94%,
dan AUC 95.27%, Selain itu, hyperparameter tuning terbukti berkontribusi
signifikan dalam meningkatkan performa model khususnya pada AUC dengan
rata-rata 0.98, khususnya dalam mendeteksi kasus kuda sakit. Penelitian ini
diharapkan dapat memberikan kontribusi pada bidang peternakan dan kesehatan
hewan melalui peningkatan kesejahteraan kuda melalui deteksi dini penyakit. | |
