Pengembangan Model Estimasi Produksi Susu Sapi Berbasis Machine Learning - Fuzzy Integral

Abstract

Susu merupakan salah satu produk pangan yang berasal dari sektor peternakan dan dikonsumsi oleh berbagai kelompok usia, mulai dari balita hingga lansia. Laju pertumbuhan populasi sapi perah serta produksi susu sapi domestik masih belum mampu mengimbangi pertumbuhan konsumsi nasional. Akibatnya, sebagian besar kebutuhan akan produk susu dan turunannya dipenuhi melalui impor, yang trennya terus mengalami peningkatan dari waktu ke waktu. Untuk mengatasi permasalahan tersebut, perlu dikembangkan model estimasi produksi susu sapi. Penentuan produksi susu pada sapi perah memiliki signifikansi yang tinggi dalam industri peternakan karena menjadi dasar pengambilan keputusan strategis pada berbagai aspek manajemen produksi. Produksi susu tidak hanya merefleksikan performa fisiologis dan status kesehatan sapi perah, tetapi juga menjadi indikator utama efisiensi penggunaan pakan, keberhasilan program pemuliaan, serta efektivitas praktik pemeliharaan. Ketepatan estimasi produksi susu memungkinkan peternak melakukan perencanaan nutrisi yang lebih presisi, meminimalkan biaya operasional, serta memaksimalkan output produksi. Data produksi susu yang akurat diperlukan untuk proses seleksi genetik, terutama dalam mengidentifikasi induk-induk unggul yang memiliki potensi laktasi tinggi pada generasi berikutnya. Tujuan dari penelitian ini adalah melakukan ekstraksi fitur citra sapi untuk estimasi produksi susu, membangun model estimasi produksi susu sapi berbasis machine learning, membangun model integrasi machine learning - fuzzy integral dalam estimasi produksi susu sapi. Model ini membantu peternak dalam estimasi jumlah sapi perah yang perlu dibudidayakan oleh peternak maupun perusahaan peternakan untuk memenuhi kebutuhan nasional. Metode yang digunakan dalam penelitian ini adalah ekstraksi fitur menggunakan VGG16 dan YOLOv8, serta prediksi menggunakan machine learning. Selanjutnya ensemble random forest regressor, XGBoost, support vector regressor dan LightGBM diintegrasikan dengan fuzzy choquet integral. Model estimasi berbasis machine learning konvensional masih terbatas, terutama dalam pengolahan data terbatas dan mengatasi ketidakpastian. Dalam penelitian ini, fuzzy integral berperan penting dalam menggabungkan data dari berbagai sumber dengan mempertimbangkan tingkat kepercayaan sumber informasi masing-masing. Kelebihan fuzzy integral adalah untuk ensemble learning karena mampu menggabungkan informasi dari berbagai sumber. Jenis fuzzy ini memiliki kemampuan untuk menangani ketidakpastian yang terkait dengan proses penggalian dan pemrosesan informasi. Fuzzy integral mempertimbangkan bukti objektif yang diberikan oleh masing-masing sumber informasi (disebut f-function) serta nilai harapan dari setiap himpunan bagian sumber informasi melalui fuzzy measure dalam proses pengambilan keputusan. Bayesian Optimization digunakan untuk mencari fuzzy measure yang optimal dengan tujuan meminimalkan kesalahan prediksi, sementara fuzzy Choquet integral untuk mengagregasikan model regresi yang heterogen dengan mempertimbangkan tingkat kontribusi dan interaksi antar model, sehingga menghasilkan peningkatan akurasi estimasi produksi susu. Beberapa penelitian sebelumnya telah mengembangkan model serupa. Namun, dalam penelitian ini dilakukan pengembangan metode Bayesian Optimization pada parameter fuzzy integral yang diintegrasi dengan ensemble machine learning. Hasil penelitian menunjukkan bahwa ensemble machine learning dan fuzzy integral memberikan hasil yang lebih baik dibanding model yang menggunakan algoritma XGBoost dengan tuning. Kesalahan estimasi model (MAE) turun dari 0,74 menjadi 0,65. Model ensemble machine learning dan fuzzy choquet integral mampu menjelaskan 87% variasi produksi susu aktual dalam penelitian ini. Kebaruan penelitian ini adalah penggunaan VGG16, dan YOLOv8 untuk ekstraksi fitur citra sapi perah, integrasi ensemble machine learning dengan fuzzy choquet integral pada citra sapi perah untuk estimasi produksi susu, pengambilan keputusan pemilihan calon bibit sapi perah berbasis citra.

Milk is one of the food products derived from the livestock sector and is consumed by various age groups, ranging from toddlers to the elderly. However, the growth rate of dairy cattle populations and domestic milk production has not yet been able to keep pace with the increasing national consumption. Consequently, a substantial proportion of milk and dairy product demand is fulfilled through imports, the trend of which continues to rise over time. To address this issue, it is necessary to develop a reliable model for estimating dairy milk production. Determining milk production in dairy cattle has significant importance in the livestock industry, as it serves as the basis for strategic decision-making across various aspects of production management. Milk yield not only reflects the physiological performance and health status of dairy cows but also represents a key indicator of feed efficiency, the success of breeding programs, and the effectiveness of management practices. Accurate milk production estimation enables farmers to design more precise nutritional plans, minimize operational costs, and maximize production output. Furthermore, reliable milk production data are essential for genetic selection processes, particularly in identifying superior dams with high lactation potential for subsequent generations. The objectives of this study are: (1) to extract image features of dairy cows for milk production estimation, (2) to develop a machine learning-based milk production estimation model, and (3) to construct an integrated machine learning–fuzzy integral model for dairy milk production estimation. This model assists farmers and dairy enterprises in estimating the number of dairy cows that need to be raised to meet national demand. The methods employed in this study include feature extraction using VGG16 and YOLOv8, followed by prediction using machine learning algorithms. Subsequently, an ensemble of Random Forest Regressor, XGBoost, Support Vector Regressor, and LightGBM is integrated using the fuzzy Choquet integral. Conventional machine learning-based estimation models remain limited, particularly in handling small datasets and managing uncertainty. In this study, the fuzzy integral plays a crucial role in aggregating information from multiple sources while considering the confidence level of each information source. The main advantage of the fuzzy integral in ensemble learning lies in its ability to combine information from heterogeneous sources. This approach is capable of addressing uncertainty associated with information extraction and processing. The fuzzy integral considers objective evidence provided by each information source (referred to as the f-function) as well as the expected value of each subset of information sources through a fuzzy measure during the decision-making process. Bayesian Optimization is employed to identify the optimal fuzzy measure with the objective of minimizing prediction error, while the fuzzy Choquet integral is used to aggregate heterogeneous regression models by accounting for their individual contributions and interactions, thereby improving the accuracy of milk production estimation. Although several previous studies have developed related models, this study advances the methodology by applying Bayesian Optimization to tune fuzzy integral parameters integrated with ensemble machine learning. The results demonstrate that the ensemble machine learning combined with the fuzzy integral outperforms the tuned XGBoost model. The estimation error (MAE) decreases from 0.74 to 0.65. The ensemble machine learning and fuzzy Choquet integral model explains 87% of the variance in actual milk production in this study. The novelty of this research lies in the use of VGG16 and YOLOv8 for dairy cow image feature extraction, the integration of ensemble machine learning with the fuzzy Choquet integral for milk production estimation based on dairy cow images, and image-based decision support for selecting potential dairy breeding stock.