PERANCANGAN OBJECT DETECTION AYAM BROILER MENGGUNAKAN METODE DEEP LEARNING

Abstract

Kepadatan kandang merupakan kesesuaian antara luas kandang dengan jumlah ayam per 1 m². Ayam akan mudah stres akibat tingginya gas amonia di dalam kandang, sirkulasi udara menjadi buruk serta suhu dan kelembapan meningkat di kandang. Suhu dan kelembapan yang tinggi mengakibatkan konsumsi pakan akan berkurang sehingga hal ini berpengaruh terhadap pencapaian bobot yang tidak maksimal. Untuk mengatasi kepadatan ayam dalam kandang, dapat dilakukan proses penjarangan. Penjarangan ayam selama ini dilakukan secara manual dimana sering menyebabkan ayam stres. Dengan memanfaatkan deep learning, dapat dibuat suatu program object detection dan object measurement yang dapat membantu proses penjarangan ayam semakin efektif karena dapat mengukur ukuran ayam secara otomatis sehingga membantu mempercepat proses penjarangan. Pada penelitian ini dirancang sistem object detection yang dapat mendeteksi dan memprediksi ukuran ayam broiler menggunakan Raspberry Pi 4B sebagai komputer utama, kamera Logitech C930E, frameworks Darknet dan algoritma deteksi YOLO (You Only Look Once) sebagai sistem deteksi utama. Training data dilakukan pada Google Colab sebanyak 6000 iterasi dan menggunakan algoritma deteksi objek Yolov4-tiny. Pengujian jarak optimal kamera menunjukkan bahwa sistem object detection optimal pada jarak 100 cm. Hasil pengujian sistem object detection pada ayam broiler umur 3-25 hari menunjukkan eror, ayam 3 hari (5,19%), 14 hari (2,76%), 21 hari (3,23% dan 6,10%), 25 hari (5,05% dan 5,81%). Pengelompokan ukuran ayam berdasarkan pengamatan selama 25 hari secara berturut-turut kecil (18 – 22 cm), sedang (23 -27 cm), besar (28 - 32 cm).