Model Cascading SOM-ANN Untuk Memprediksi Perubahan Fisiologis Sapi Akibat Stres Perjalanan

Abstract

Transportasi merupakan faktor penyebab stres pada sapi yang memicu perubahan fisiologis, meliputi parameter fisiologis, metabolit, dan susut bobot badan. Kondisi ini berdampak pada kesehatan, kesejahteraan hewan, serta menimbulkan kerugian ekonomi. Penelitian terdahulu umumnya menggunakan model machine learning tunggal tanpa mengeksplorasi karakteristik data secara mendalam, sementara pemanfaatan Self-Organizing Map (SOM) masih terbatas pada klasterisasi dasar. Oleh karena itu, penelitian ini bertujuan mengembangkan model cascading SOM–ANN. Dalam pendekatan ini, SOM berfungsi sebagai mekanisme routing berbasis unsupervised learning yang menangani heterogenitas data fisiologis multidimensi menjadi kelompok-kelompok homogen sebelum dimodelkan ke dalam ANN, sehingga kinerja model prediksi menjadi lebih baik. Dengan demikian, ANN bertindak sebagai expert model prediksi yang menangani kompleksitas nonlinier pada setiap cluster yang telah bersifat homogen. Penelitian ini menggunakan data fisiologis, metabolit, dan parameter transportasi dari 88 ekor sapi Peranakan Ongole (PO). Evaluasi kinerja model dilakukan menggunakan metrik Coefficient of Determination (R²), Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE) dengan skema Leave-One-Out Cross Validation (LOOCV). Model yang diusulkan dikomparasikan dengan model ANN tunggal, Random Forest Regressor (RFR), dan Support Vector Regression (SVR), baik pada konfigurasi baseline maupun setelah hyperparameter tuning. Hasil penelitian menunjukkan bahwa SOM berhasil memetakan data ke dalam dua cluster profil perubahan fisiologis yang secara optimal memisahkan sapi dengan kondisi homeostasis dan sapi yang mengalami perubahan metabolik, sehingga heterogenitas awal data tereduksi menjadi homogenitas intra-cluster. Selanjutnya, model cascading SOM–ANN 2 cluster terbukti sebagai model yang paling robust dan optimal. Model terbaik global berhasil mencatatkan nilai R² tertinggi untuk masing-masing target prediksi, yaitu 0,95 untuk persentase susut bobot, 0,66 untuk frekuensi respirasi, 0,77 untuk kadar glukosa, dan 0,73 untuk kadar kreatinin saat sampai, dengan nilai RMSE dan MAE yang paling rendah dibandingkan model komparator. Keunggulan ANN dalam model cascading ini terletak pada kemampuannya memanfaatkan struktur cluster homogen hasil SOM untuk menghasilkan prediksi yang lebih akurat, stabil, dan memiliki generalisasi yang lebih baik, sekaligus memungkinkan setiap hasil prediksi ditelusuri kembali ke profil fisiologis cluster terkait sehingga memperkuat interpretasi melalui analisis SHAP. Kontribusi penelitian meliputi pengembangan model cascading untuk pemodelan data fisiologis multidimensi yang dilengkapi analisis SHAP.