Model Estimasi Bobot Hidup Sapi Bali Berbasis Deep Learning Mendukung Transformasi Pertanian Digital

Abstract

Penentuan bobot hidup pada sapi memiliki signifikansi yang tinggi dalam industri peternakan karena berperan penting dalam berbagai aspek manajemen ternak. Pengukuran bobot hidup diaplikasikan untuk menentukan dosis yang tepat dalam pemberian obat-obatan, pakan dan suplemen, serta untuk memonitor kesehatan dan pertumbuhan sapi secara akurat. Lebih lanjut, bobot hidup merupakan faktor kunci dalam penentuan harga jual sapi di pasar dan memungkinkan peternak maupun pembeli untuk memperoleh nilai yang adil berdasarkan berat ternak. Bobot hidup juga berperan penting dalam proses seleksi ternak pada program pembiakan sehingga memastikan bahwa hanya sapi dengan bobot optimal yang dipilih untuk reproduksi, sehingga meningkatkan produktivitas dan efisiensi operasional peternakan. Proses pengukuran bobot hidup sapi seringkali menghadapi berbagai kendala yang mempengaruhi efektivitas dan efisiensi proses tersebut. Pertama, penggunaan timbangan memerlukan investasi yang besar karena harga alat ini relatif mahal, sehingga tidak semua peternak memiliki kapasitas finansial untuk memilikinya. Kedua, proses penimbangan membutuhkan tenaga kerja dalam jumlah yang besar untuk menangani dan mengarahkan sapi, terutama ketika berhadapan dengan ternak yang sudah mencapai bobot yang besar. Kendala ini meningkatkan resiko terjadinya cedera atau stres pada ternak yang dapat mempengaruhi penurunan berat maupun resiko cedera pada peternak itu sendiri. Di sisi lain, penggunaan rumus perhitungan bobot sebagai alternatif timbangan konvensional masih menghadapi tantangan. Rumus-rumus tersebut seringkali memerlukan modifikasi khusus untuk jenis ternak tertentu agar akurasinya dapat ditingkatkan. Variabilitas dalam jenis dan kondisi ternak menambah kompleksitas dalam penerapan rumus penentuan bobot, sehingga diperlukan penelitian lebih lanjut untuk mengembangkan metode yang lebih universal dan akurat. Kendala- kendala ini menekankan perlunya inovasi dan solusi praktis dalam pengukuran bobot hidup sapi untuk meningkatkan produktivitas dan kesejahteraan ternak di lapangan. Studi mengenai estimasi bobot ternak dengan mengaplikasikan machine learning telah banyak dilakukan melalui pendekatan Artificial Neural Network (ANN) yang unggul dalam memodelkan hubungan non-linier antar variabel numerik dan Random Forest (RF) yang efektif dalam menangani dataset tidak seimbang. Namun, studi-studi tersebut masih bergantung pada data yang bersumber dari pengukuran langsung, baik melalui metode morfometrik maupun teknik konvensional. Penelitian lain yang berkaitan dengan penaksiran bobot menggunakan data visual melalui pendekatan Multilayer Perceptron (MLP) dan Convolutional Neural Network (CNN) yang sangat efektif dalam mempelajari fitur visual juga telah berhasil diimplementasikan. Meskipun demikian, penelitian-penelitian tersebut belum mengintegrasikan variabel-variabel pendukung lainnya seperti jenis kelamin dan umur sebagai informasi tambahan yang berpotensi mempengaruhi akurasi penentuan bobot. Berdasarkan permasalahan yang telah dipaparkan, maka ditetapkan tujuan penelitian ini, yaitu: mengembangkan model estimasi bobot hidup sapi Bali dengan tingkat akurasi yang optimal, merancang dan mengimplementasikan aplikasi yang mampu melakukan akuisisi data secara presisi sekaligus menyajikan informasi yang komprehensif kepada pengguna. Penelitian ini mengembangkan model estimasi bobot hidup sapi Bali dengan menggabungkan algoritma CNN dan ANN. Kebaruan model terletak pada optimalisasi parameter spesifik kedua algoritma untuk mengakomodasi karakteristik citra sapi tampak samping dan belakang, serta penambahan fitur berupa informasi umur dan jumlah piksel. Pencarian kombinasi parameter dilakukan menggunakan gridsearch, dengan rentang parameter dari 8 hingga 64 filter atau node. Pemilihan model terbaik didasarkan pada evalusi Mean Absolute Percentage Error (MAPE) dengan hasil terbaik mencapai 12,432% pada input citra tampak samping, dengan kombinasi parameter 8 filter pada CNN dan 64,8,64 node pada ANN, Sementara itu, pada input citra tampak belakang diperoleh MAPE mencapai 11,25% dengan 64 filter pada CNN dan 8,16 node pada ANN. Rata-rata dari kedua input mencapai MAPE sebesar 10,162%. Berdasarkan kedua input, model dengan citra tampak samping menunjukkan kebutuhan kompleksitas yang lebih tinggi dalam pembelajaran ANN pada data numerik, sementara model dengan citra tampak belakang memperlihatkan kebutuhan kompleksitas yang lebih tinggi dalam pembelajaran CNN pada data visual. Model estimasi bobot hidup sapi Bali menggunakan dua input, yaitu citra sapi dari tampak samping dan belakang, serta input numerik berupa umur yang diperoleh dari pertumbuhan gigi. Ide penggunaan dua citra dan umur ini berasal dari studi literatur serta pengetahuan ahli (expert knowledge) para peternak dalam melakukan estimasi bobot ternak. Selain itu, jumlah piksel dari citra digunakan sebagai data kuantitatif melengkapi data visual dalam merepresentasikan berat tertentu. Ekplorasi piksel dilakukan menggunakan algoritma terbaik untuk instant segmentation varian Mask R-CNN: R50-Feature Pyramid Network (FPN) dengan kecepatan deteksi objek mencapai 0,090 detik dan efisiensi dalam tugas-tugas lainnya dibandingkan dengan DC5 dan C4. Model estimasi ini telah diimplementasikan pada perangkat berbasis Android yang disebut Digital Weight Artificial Intelligence (DiWAI). Aplikasi tersebut memiliki keunggulan dalam memberikan estimasi bobot secara akurat serta menjamin konsistensi jarak pengambilan gambar pada objek bergerak. Fitur yang terintegrasi tidak hanya mencakup estimasi bobot sapi Bali, tetapi juga dilengkapi dengan kemampuan untuk mencatat informasi waktu dan lokasi selama proses pengambilan data, fungsionalitas aplikasi juga telah sesuai dengan spesifikasi yang ditetapkan. Aplikasi ini telah diuji dalam lingkungan operasional pengguna yang autentik dan melakukan perbandingan estimasi berdasarkan keahlian peternak dan timbangan. Hasil uji coba menunjukkan umpan balik positif dari pengguna, mengindikasikan bahwa sistem berfungsi efektif dalam memenuhi kebutuhan operasional di lapangan. Selain itu, model ini memiliki potensi untuk diaplikasikan pada berbagai jenis sapi dengan karakteristik morfologis yang serupa dengan sapi Bali.

Determining live weight in cattle holds significant importance in the livestock industry as it plays a crucial role in various aspects of livestock management. Live weight measurements are applied to determine the appropriate dosage for administering medications, feed, and supplements, as well as to accurately monitor the health and growth of cattle. Furthermore, live weight is a key factor in determining the selling price of cattle in the market, allowing farmers and buyers to obtain a fair value based on the weight of the livestock. Live weight also plays an essential role in the livestock selection process within breeding programs, ensuring that only cattle with optimal weight are selected for reproduction, thereby enhancing the productivity and operational efficiency of livestock farms. The process of measuring live cattle weight often encounters various challenges that affect its effectiveness and efficiency. First, the use of scales requires significant investment due to the relatively high cost of these tools, making it financially challenging for all farmers to afford them. Second, the weighing process requires a large workforce to handle and guide the cattle, especially when dealing with livestock that have already reached substantial weights. These challenges increase the risk of injury or stress to the animals, which can lead to weight loss, as well as the risk of injury to the farmers themselves. On the other hand, the use of weight calculation formulas as an alternative to conventional scales still faces challenges. These formulas often require specific modifications for certain types of livestock to improve accuracy. The variability in livestock types and conditions adds complexity to the application of weight estimation formulas, necessitating further research to develop more universal and accurate methods. These challenges highlight the need for innovation and practical solutions in cattle live weight measurement to improve productivity and animal welfare in daily practice. Studies on livestock weight estimation using machine learning have been extensively conducted through approaches such as Artificial Neural Networks (ANN), which excel in modeling nonlinear relationships between numerical variables, and Random Forest (RF), which is effective in handling imbalanced datasets. However, these studies still rely on data sourced from direct measurements, either through morphometric methods or conventional techniques. Other research related to weight estimation using visual data through approaches such as Multilayer Perceptron (MLP) and Convolutional Neural Networks (CNN), which are highly effective in learning visual features, has also been successfully implemented. Nevertheless, these studies have not yet integrated additional supporting variables such as gender and age, which could potentially enhance the accuracy of weight estimation. Based on the issues presented, the objective of this study is established: to develop a live weight estimation model for Bali cattle with optimal accuracy, and to design and implement an application capable of precise data acquisition while presenting comprehensive information to users. This research develops a live weight estimation model for Bali cattle by combining CNN and ANN algorithms. The novelty of the model lies in the optimization of specific parameters for both algorithms to accommodate the characteristics of side and rear view cattle images, as well as the addition of features such as age information and pixel count. Parameter combination searches were conducted by utilizing grid search method, with parameter ranges from 8 to 64 filters or nodes. The selection of the best model is based on the evaluation of Mean Absolute Percentage Error (MAPE), with the best result achieving a MAPE of 12.432% for side view image inputs, using a combination of 8 filters in CNN and 64, 8, 64 nodes in ANN. Meanwhile, for rear view image inputs, a MAPE of 11.25% was achieved with 64 filters in CNN and 8, 16 nodes in ANN. The average MAPE from both inputs reached 10.162%. Based on both inputs, the side view model demonstrated a higher complexity requirement in ANN learning on numerical data, while the rear view model exhibited a higher complexity requirement in CNN learning on visual data. The Bali cattle live weight estimation model utilizes two inputs: side and rear view images of the cattle, as well as numerical input in the form of age obtained from tooth growth. The idea of using two images and age originates from literature studies and expert knowledge from farmers in estimating livestock weight. Additionally, the pixel count from the images is used as quantitative data to complement the visual data in representing specific weights. Pixel exploration was conducted using the best algorithm for instant segmentation variant Mask R-CNN: R50-Feature Pyramid Network (FPN), with object detection speed reaching 0.090 seconds and efficiency in other tasks compared to DC5 and C4. This estimation model has been implemented on an Android-based device called Digital Weight Artificial Intelligence (DiWAI). The application has the advantage of providing accurate weight estimations and ensuring consistency in image capture distances for moving objects. The integrated features not only include the estimation of Bali cattle live weight but also are equipped with the ability to record time and location information during the data collection process. The application's functionality also aligns with the specified requirements. The application has been tested in authentic user operational environments and has conducted comparison estimations based on farmers' expertise and scales. The trial results indicate positive feedback from users, suggesting that the system effectively meets operational needs in the field. Furthermore, this model has the potential to be applied to various cattle breeds with morphological characteristics similar to Bali cattle.