Pemodelan Backpropagation Neural Network untuk Prediksi Performa Produksi Ayam Broiler dalam Sistem Kandang Closed House

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.