| dc.description.abstract | Produktivitas peternakan ayam broiler sangat dipengaruhi oleh berbagai
faktor pada tahap awal pemeliharaan, seperti konsumsi pakan, bobot tubuh, dan
tingkat kematian. Keterlambatan dalam menganalisis data performa awal seringkali
menghambat tindakan intervensi yang efektif. Penelitian ini bertujuan untuk
mengembangkan model Backpropagation Neural Network (BPNN) yang mampu
memprediksi performa produksi akhir, khususnya Feed Conversion Ratio (FCR),
pada ayam broiler dalam sistem kandang closed house. Model ini dikembangkan
dengan memanfaatkan data historis dari dua minggu pertama masa pemeliharaan,
di mana data harian diubah menjadi fitur-fitur prediktif seperti ‘Anomali Tren
Bobot’. Kinerja model dievaluasi secara robust menggunakan validasi silang
Leave-One-Out (LOO-CV) dan dioptimalkan melalui hyperparameter tuning. Hasil
penelitian menunjukkan bahwa fitur anomali tren pertumbuhan bobot selama 14
hari pertama merupakan prediktor yang paling akurat. Setelah optimisasi, model
final berhasil mencapai Mean Absolute Percentage Error (MAPE) sebesar 3,93%
dan nilai Nash-Sutcliffe Efficiency (NSE) positif sebesar 0,0683, yang
mengindikasikan tingkat akurasi yang tinggi serta performa yang lebih andal
daripada prediksi baseline. Temuan ini membuktikan bahwa model BPNN yang
diusulkan dapat berfungsi secara efektif sebagai sistem peringatan dini (Early
warning system), yang memungkinkan peternak untuk mengambil keputusan
preventif berbasis data guna meningkatkan efisiensi dan produktivitas peternakan. | |
