http://repository.ipb.ac.id/handle/123456789/160869 School of Data Science, Mathematic and Informatics Fri, 24 Apr 2026 12:50:40 GMT 2026-04-24T12:50:40Z http://repository.ipb.ac.id/handle/123456789/172952 Pengembangan Model Estimasi Produksi Susu Sapi Berbasis Machine Learning - Fuzzy Integral Niswati, Za'imatun 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. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/172952 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172792 A Study of 3Trees Methods to Enhance Hierarchical Mixed-Effects Models for Analyzing Per Capita Expenditure and Poverty Status Asrirawan BPS produces household welfare indicators based on the National Socioeconomic Survey (SUSENAS). This survey employs a two-stage stratified sampling design, where census blocks are first selected using probability proportional to size (PPS), followed by a random selection of households within the chosen blocks. This sampling strategy results in a hierarchical data structure, with households nested within census blocks, which in turn are nested within villages, districts, and provinces. Consequently, analyses of household welfare, such as per capita expenditure and poverty, need to account for the multidimensional influences of both individual and contextual factors. This study focuses on developing a hierarchical mixed-effects model with three trees (3Trees) using machine learning approaches, and applying it to per capita expenditure and poverty data in West Java. Hierarchical mixed-effects models have long been one of the main approaches for analyzing data with nested structures, such as households within regions, students within schools, or patients within health facilities. However, conventional mixed-effects models have several limitations, particularly in handling assumptions of linearity, nonlinearity, and cross-level interactions. With the advancement of machine learning, tree-based and ensemble methods have been increasingly used to extend the capabilities of mixed-effects models. One of the recent approaches is the 3Trees model, which integrates a linear component with three trees: an individual-level tree, a group-level tree, and a cross-level tree. While this model introduces a flexible additive structure, the implementation of the Classification and Regression Trees (CART) algorithm within it still faces several challenges, including the risk of overfitting, variable selection bias, local optimality, and limitations in handling only normal (Gaussian) response variables. This research proposes three main developments. First, it modifies the 3Trees algorithm using single-tree methods based on Conditional Inference Trees (CTree) and Evolutionary Trees (EvTree). Second, it develops an ensemble-based version using Random Forests (RF), resulting in a new variant called 3Trees-RF. Third, it extends the framework into a Generalized Hierarchical Mixed-effects Model with Trees (G3Trees) to handle non-Gaussian responses, particularly binary outcomes. These developments aim not only to address the technical limitations of existing models but also to broaden their applicability to more complex socioeconomic phenomena. To evaluate the performance of the proposed models, both simulation studies and empirical analyses are conducted. The simulation studies assess model performance under various scenarios, including different functional forms between response and covariates, fixed and random effects structures, correlations, and interaction effects. Model performance is evaluated using several metrics, including Mean Square Error (MSE), Predictive Mean Square Error (PMSE), ClusMSE, ClusPMSE, PMAD, clusPMAD, PMCR, clusPMCR, and bias in fixed and random effect parameters. The empirical analyses apply the models to two real-world cases: predicting household per capita expenditure and classifying poverty status in West Java. Simulation results indicate that the 3Trees-EvTree model effectively addresses the weaknesses of CART, particularly in terms of variable selection bias and the risk of local optima, and yields better predictive performance than both 3Trees-CART and conventional linear mixed models. Meanwhile, the 3Trees-RF model demonstrates the best predictive accuracy, as measured by MSE, PMSE, clusMSE, and clusPMSE, while also offering computational efficiency and enhanced model interpretability through variable importance measures. These advantages make 3Trees-RF a more adaptive alternative for hierarchical data with nonlinear relationships and complex interactions. Empirical applications further show that 3Trees-RF consistently provides more accurate per capita expenditure predictions than classical mixed models or single-tree methods. This finding suggests that combining mixed-effects structures with ensemble methods produces more reliable estimates to support socioeconomic policy formulation. The final development involves the G3Trees model for binary responses, applied to poverty status classification in West Java. This model integrates the Generalized Linear Mixed Model (GLMM) framework with three CART-based trees. Its strength lies in identifying complex nonlinear patterns and interactions. Simulation and empirical evaluations demonstrate that G3Trees improves classification accuracy, as measured by PMAD, PMCR, clusPMAD, clusPMCR, AUC, accuracy, sensitivity, specificity, F1-score, and ROC, while effectively identifying individual- and group-level poverty determinants and capturing cross-level interactions that conventional models fail to detect. Therefore, this model offers a more comprehensive analytical tool for socioeconomic issues involving non-Gaussian data. The implications of this research are twofold. From an academic perspective, the proposed models enrich the methodological literature on statistical and machine learning approaches for hierarchical data, providing more adaptive alternatives to conventional models. From a practical perspective, the empirical findings provide a stronger analytical basis for evidence-based policymaking, particularly in poverty alleviation and welfare improvement. Overall, this study bridges classical statistical approaches and modern machine learning techniques by integrating mixed-effects modeling with tree-based methods. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/172792 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172334 Model Multimodal Deep Learning Berbasis Meta-Learning untuk Pendugaan Mutu dan Nutrien Bungkil Inti Sawit Menggunakan Citra Digital Irfansyah, Puput Pemanfaatan deep learning dalam evaluasi kualitas pangan dan pakan ternak telah berkembang pesat seiring meningkatnya kebutuhan akan metode analisis yang cepat, akurat, dan efisien. Berbagai penelitian mutakhir menunjukkan bahwa pendekatan berbasis citra digital dan deep learning mampu menjadi alternatif non-destruktif dalam menilai mutu bahan pangan maupun pakan, menggantikan metode konvensional yang cenderung lambat dan membutuhkan biaya tinggi. Salah satu bahan pakan alternatif lokal yang berpotensi untuk unggas adalah bungkil inti sawit (BIS), yaitu hasil samping dari proses ekstraksi minyak inti sawit. BIS diketahui mengandung protein kasar berkisar antara 14-21% dan serat kasar sekitar 17,63%, sehingga berpotensi dimanfaatkan sebagai sumber nutrisi unggas. Namun, pemanfaatannya masih terbatas akibat variasi kualitas nutrien dan adanya kontaminasi cangkang. Kondisi ini menuntut adanya metode evaluasi mutu yang andal, cepat, dan efisien. Pendekatan berbasis citra digital dapat berfungsi sebagai metode alternatif yang mampu melakukan estimasi mutu BIS secara langsung. Penelitian ini bertujuan mengembangkan pendekatan alternatif berbasis citra digital dan deep learning untuk menduga nutrien dan mutu BIS secara cepat dan efisien. Model yang dikembangkan menggunakan tiga arsitektur Convolutional Neural Network (CNN A, CNN B, dan CNN C), CNN A merupakan arsitektur dasar dengan dua lapisan konvolusi dan pooling, CNN B menambahkan dropout untuk mengurangi overfitting, sedangkan CNN C lebih kompleks dengan tambahan Batch Normalization, Global Average Pooling, dan lapisan konvolusi ketiga. Perbedaan ini untuk menganalisis pengaruh variasi arsitektur terhadap kualitas ekstraksi fitur dan akurasi prediksi mutu BIS. Fitur yang dihasilkan kemudian diintegrasikan dengan data tabular melalui kerangka multimodal regression, sehingga citra digital tidak hanya dipandang sebagai alat klasifikasi visual, tetapi sebagai representasi kuantitatif yang dapat digabungkan dengan data kimia untuk estimasi nutrien secara kontinu. Integrasi ini dilanjutkan dengan strategi stacking ensemble menggunakan beberapa meta-regressor, khususnya Support Vector Regression (SVR), Multilayer Perceptron (MLP), XGBoost, dan Random Forest Regressor (RFR). Pendekatan ini dirancang untuk memaksimalkan representasi fitur multimodal sekaligus meningkatkan kemampuan generalisasi model terhadap data yang belum pernah dilatih. Sebelum proses pelatihan, citra digital melalui tahapan praproses berupa penyesuaian ukuran, normalisasi, dan augmentasi untuk meningkatkan stabilitas pelatihan dan efisiensi komputasi. Evaluasi kinerja model dilakukan pada data validasi dan data uji yang sepenuhnya terpisah dari data pelatihan. Sebanyak 70 sampel BIS dikumpulkan secara acak dari empat perusahaan penyedia bahan pakan ternak. Setiap sampel diambil gambarnya menggunakan kamera smartphone dengan resolusi 50 megapixel (6120 × 8160 piksel), sehingga diperoleh citra dengan detail visual yang memadai untuk analisis berbasis deep learning. Selain itu, sampel-sampel tersebut didesain dengan variasi kadar kontaminasi cangkang sebesar 0%, 2,5%, 5%, 7,5%, 10%, 12,5%, dan 15%, yang bertujuan membangun representasi mutu BIS dalam kategori mutu 1, mutu 2, dan tidak bermutu berdasarkan SNI nomor 7856: 2017). Setiap sampel kemudian diuji di laboratorium menggunakan analisis proksimat untuk memperoleh data kandungan nutrisi, seperti kadar air, protein, lemak, serat, dan abu. Hasil analisis proksimat digabungkan dengan citra digital yang telah melalui tahap preprocessing, sehingga terbentuk dataset multimodal yang menjadi dasar pengembangan model prediksi mutu BIS. Tahap akhir penelitian adalah validasi dan evaluasi performa model. Performa CNN individual dibandingkan dengan model stacking menggunakan metrik Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Validasi dilakukan di akhir setiap epoch untuk menilai kemampuan generalisasi model, sedangkan pengujian dilakukan pada citra yang belum pernah dikenali sebelumnya guna mensimulasikan kinerja model dalam kondisi nyata. Hasil penelitian menunjukkan bahwa model CNN A, B, C-XGBoost menghasilkan kinerja sangat tinggi pada data validasi (R² = 0,998), tetapi mengalami penurunan performa pada data uji (R² = 0,994). Sebaliknya, model CNN A, B, C-SVR menunjukkan kinerja validasi yang lebih rendah (R² = 0,823), namun mampu mempertahankan stabilitas dan generalisasi yang lebih baik pada data uji dengan nilai R² mencapai 0,999 serta kesalahan prediksi yang lebih rendah dibandingkan dengan model berbasis XGBoost. Temuan ini menegaskan bahwa pendekatan stacking berbasis SVR lebih robust terhadap variasi data baru dan memiliki ketahanan yang lebih baik terhadap overfitting. Meskipun nilai koefisien determinasi yang diperoleh sangat tinggi, hasil ini dicapai dalam kondisi eksperimental terkontrol dengan jumlah sampel terbatas, sehingga pengujian lanjutan pada skala data yang lebih besar tetap diperlukan untuk memperkuat validitas eksternal model. Melalui penelitian ini, dikembangkan kerangka evaluasi mutu bahan pakan berbasis multimodal regression yang mengintegrasikan data citra dan data tabular. Citra digital bukan hanya sebagai alat klasifikasi visual, tetapi sebagai representasi kuantitatif yang dapat diintegrasikan dengan data kimia untuk estimasi nutrient BIS secara kontinu. Secara keseluruhan, penelitian ini membuktikan bahwa integrasi ekstraksi fitur CNN pada BIS dengan data tabular BIS melalui kerangka multimodal regression dan strategi stacking ensemble memiliki potensi besar untuk dikembangkan sebagai sistem evaluasi mutu BIS berbasis citra digital yang cepat, akurat, dan non-destruktif. Model ini dapat diimplementasikan dalam sistem kendali mutu pakan unggas di lapangan, sehingga mendukung pemanfaatan BIS sebagai bahan pakan alternatif yang bernilai nutrien tinggi sekaligus meningkatkan efisiensi proses evaluasi mutu. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/172334 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172329 Model Estimasi Daya Dukung Pakan Ternak Ruminansia dengan Pendekatan Deep Learning Marlina, Dwi Pemanfaatan penginderaan jauh yang dikombinasikan dengan pendekatan machine learning dan deep learning menjadi solusi penting dalam estimasi biomassa vegetasi dan daya dukung pakan ternak, mengingat keterbatasan metode pengukuran biomassa secara langsung yang bersifat merusak, mahal, dan tidak efisien untuk wilayah yang luas. Penelitian ini bertujuan mengembangkan model estimasi daya dukung pakan hijauan ternak ruminansia yang akurat dan adaptif terhadap dinamika temporal melalui pemodelan deret waktu potensi hijauan berbasis data penginderaan jauh multivariat. Tahapan penelitian meliputi klasifikasi tutupan lahan hijauan menggunakan algoritma Random Forest, analisis hubungan indeks vegetasi (NDVI, EVI, SAVI, MSAVI, dan NDMI) dengan potensi hijauan pakan, serta pengembangan model prediksi deret waktu potensi hijauan pakan menggunakan pendekatan deep learning berbasis recurrent neural networks, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), yang dibandingkan dengan model deret waktu konvensional Prophet. Penelitian ini berhasil mengembangkan model klasifikasi citra satelit berbasis Random Forest dengan tingkat akurasi sebesar 93% dalam mengidentifikasi tutupan lahan vegetasi pakan ternak sebagai dasar analisis lanjutan. Evaluasi kinerja pada data pengujian menunjukkan bahwa model GRU memberikan hasil prediksi yang paling stabil dan akurat, khususnya pada kelas Pertanian/Sawah, dengan nilai RMSE terendah sebesar 13.327,99, MAE sebesar 9.359,79, MAPE sebesar 53,82%, serta koefisien determinasi (R²) sebesar 0,89, setara dengan model LSTM dan lebih baik dibandingkan model Prophet. Berdasarkan estimasi produksi hijauan dari data penginderaan jauh, diperoleh rataan produksi sebesar 430.228,58 ton/ha/tahun atau setara dengan 1.178,71 ton/ha/hari, yang menunjukkan bahwa potensi daya dukung hijauan di Kabupaten Lumajang mampu mendukung sekitar 47.148 ekor sapi dan 294.677 ekor kambing atau domba. Temuan ini menegaskan tingginya potensi hijauan pakan dalam mendukung pengembangan peternakan ruminansia secara berkelanjutan. Kebaruan penelitian ini terletak pada pembuatan model estimasi daya dukung pakan ternak ruminansia berbasis data penginderaan jauh yang bersifat multivariat, temporal, dan heterogen, melalui komparasi sistematis antara model LSTM, GRU, dan Prophet. Temuan penelitian menegaskan bahwa pendekatan deep learning, khususnya GRU, lebih efektif, stabil, dan efisien secara komputasional dalam menangkap dinamika temporal potensi hijauan pakan, sehingga berkontribusi pada pengembangan pemodelan sistem lingkungan dan pertanian presisi berbasis data spasial-temporal untuk mendukung pengelolaan sumber daya hijauan pakan ternak secara berkelanjutan. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/172329 2026-01-01T00:00:00Z