| dc.description.abstract | Populasi sapi di Indonesia yang terus meningkat menciptakan tantangan signifikan dalam manajemen ternak, terutama dalam hal identifikasi individu sapi yang non-invasif dan akurat untuk mendukung identifikasi individu ternak yang lebih efisien. Penelitian ini bertujuan untuk mengembangkan dan membandingkan beberapa model identifikasi sapi berbasis Convolutional Neural Network (CNN)
dengan pendekatan transfer learning, yang mampu mengidentifikasi wajah sapi pada kondisi lapangan. Dataset penelitian terdiri dari 2.500 citra dari 25 ekor sapi di Fadagi Farm, Kabupaten Bogor, dengan setiap sapi diwakili oleh 100 citra. Hasil penelitian menunjukkan bahwa Faster R-CNN menghasilkan akurasi tertinggi dengan mAP_0.5:0.95 sebesar 0,953 dan Average Recall 0,965, tetapi membutuhkan waktu pelatihan 3,1 jam. Di sisi lain, YOLOv5 menunjukkan keseimbangan terbaik antara akurasi dan efisiensi, dengan mAP_0.5:0.95 sebesar 0,884, Average Recall sempurna 1,000, serta waktu pelatihan tercepat yaitu 0,81
jam. Dengan demikian, penelitian ini menyimpulkan bahwa YOLOv5 paling aplikatif untuk implementasi di peternakan karena rasio akurasi-waktu pelatihannya yang unggul, memungkinkan pelatihan ulang yang cepat saat ada individu atau data baru. Temuan ini menegaskan bahwa sistem berbasis CNN, khususnya YOLOv5, dapat diimplementasikan secara efektif sebagai alternatif identifikasi sapi yang non-invasif, akurat, dan praktis untuk mendukung identfikasi ternak. | |
