PERANCANGAN OBJECT DETECTION AYAM BROILER MENGGUNAKAN METODE DEEP LEARNING

*Yohan Ananta Fajar Pramudya  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Munadi Munadi  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Ismoyo Haryanto  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia

Citation Format:
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).

Fulltext View|Download
Keywords: ayam broiler; object detection; object measurement; penjarangan; raspberry pi 4 model b; yolo; yolov4-tiny
Article Info
Section: Articles
Language : ID
Recent articles
ANALISIS KEANDALAN KOMPONEN KRITIS MENGGUNAKAN METODE WEIBULL DAN FAULT TREE ANALYSIS PADA HYDRAULIC AXIAL PUMP BERKAPASITAS 350 LPS ANALISIS TEGANGAN BOOM PADA BACKHOE LOADER JOHN DEERE 310L MENGGUNAKAN METODE ELEMEN HINGGA ANALISIS KEKUATAN TARIK KOMPOSIT BERPENGUAT SERAT RAMI DENGAN MATRIKS GONDORUKEM PADA FRAKSI MASSA 15% DAN 30% More recent articles
  1. Beddu, H., Aisya, S., Muis, M., Sirajuddin, A., & Abdul, H. M. (2022). Tingkat Pengetahuan Peternak Terhadap Perbedaan Berat Badan Ayam Broiler Dengan Variasi Kelembaban Dalam Sistem Pemeliharaan Closed House. Jurnal Agrisistem: Seri Sosek dan Penyuluhan, 18(1), 55-59
  2. Nuryati, T. (2019). Analisis Performans Ayam Broiler Pada Kandang Tertutup Dan Kandang Terbuka Performance Analysis Of Broiler In Closed House And Opened House. Jurnal Peternakan Nusantara, 5(2), 77-86
  3. Wiley, V., & Lucas, T. (2018). Computer vision and image processing: a paper review. International Journal of Artificial Intelligence Research, 2(1), 29-36
  4. Ray, S. (2019). A Quick Review of Machine Learning Algorithms. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon). doi: 10.1109/comitcon.2019.8862451
  5. Shinde, P. P., & Shah, S. (2018). A review of machine learning and deep learning applications. In 2018 Fourth international conference on computing communication control and automation (ICCUBEA) (pp. 1-6). IEEE
  6. Razzak, M. I., Naz, S., & Zaib, A. (2017). Deep Learning for Medical Image Processing: Overview, Challenges and the Future. Classification in BioApps, 323–350. doi: 10.1007/978-3-319-65981-7_12
  7. Liu, X., Jia, Z., Hou, X., Fu, M., Ma, L., & Sun, Q. (2019). Real-time marine animal images classification by embedded system based on mobilenet and transfer learning. In OCEANS 2019-Marseille (pp. 1-5). IEEE
  8. Alwanda, M. R., Ramadhan, R. P. K., & Alamsyah, D. (2020). Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle. Jurnal Algoritme, 1(1), 45-56
  9. Pathak, A. R., Pandey, M., & Rautaray, S. (2018). Application of deep learning for object detection. Procedia computer science, 132, 1706-1717
  10. Mogre, N., Bhagat, S., Bhoyar, K., Hadke, H., & Ingole, P. (2022). REAL TIME OBJECT DETECTION AND HEIGHT MEASUREMENT. International Research Journal of Modernization in Engineering Technology and Science, 132, 3825–3829
  11. Mahesh, M., Reddy, V., Reddy, A., & Reddy, C. (2022). OBJECT DETECTION AND DIMENSIONING USING OPENCV, 10(6 june 2022), b60–b68
  12. Reddy, B. K., Bano, S., Reddy, G. G., Kommineni, R., & Reddy, P. Y. (2021). Convolutional Network based Animal Recognition using YOLO and Darknet. In 2021 6th International Conference on Inventive Computation Technologies (ICICT) (pp. 1198-1203). IEEE
  13. Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A Review of Yolo Algorithm Developments. Procedia Computer Science 199, 199, 1066–1073. https://doi.org/10.1016/j.procs.2022.01.135
  14. Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11), 3212-3232
  15. Rohit, S. L., & Tank, B. V. (2018). Iot based health monitoring system using raspberry PI-review. In 2018 Second International Conference on Inventive Communication and Computational Technologies (ICICCT) (pp. 997-1002). IEEE

Last update:

No citation recorded.

Last update:

No citation recorded.