Klasifikasi Kesehatan Kuda Berbasis Data Biometrik Menggunakan Ensemble Learning

Abstract

Kuda merupakan aset berharga dalam industri peternakan. Kesehatan kuda seringkali menjadi perhatian karena potensi penyakit yang dapat menyebabkan kerugian ekonomi signifikan. Diagnosis dini dan akurat pada kesehatan kuda merupakan hal yang penting untuk mencegah dan mengurangi dampak penyakit. Penelitian ini mengimplementasikan metode Ensemble Learning, yang memanfaatkan metode bagging, boosting, dan stacking, untuk mengklasifikasikan kondisi kesehatan kuda ke dalam kelas sehat dan sakit. Data yang digunakan mencakup detak jantung, suhu tubuh, laju pernafasan, dan saturasi oksigen. Perbandingan performa tiga metode tersebut dilakukan untuk menentukan metode terbaik dalam klasifikasi kesehatan kuda. Hasil penelitian menunjukkan bahwa metode model Random Forest menunjukkan hasil baik dengan performa seimbang dengan akurasi 96.33% dan recall 94%. Namun, Stacking Ensemble learning tercatat sebagai model terbaik berkat kemampuannya menggabungkan kekuatan berbagai model dasar dengan skor tertinggi, dengan akurasi 96.89%, recall 94%, dan AUC 95.27%, Selain itu, hyperparameter tuning terbukti berkontribusi signifikan dalam meningkatkan performa model khususnya pada AUC dengan rata-rata 0.98, khususnya dalam mendeteksi kasus kuda sakit. Penelitian ini diharapkan dapat memberikan kontribusi pada bidang peternakan dan kesehatan hewan melalui peningkatan kesejahteraan kuda melalui deteksi dini penyakit.