<![CDATA[Penelitian ini mengkaji penerapan model pembelajaran mesin untuk mengklasifikasikan perilaku ayam pada kondisi suhu dan kelembapan yang bervariasi, dengan tujuan mengoptimalkan kesejahteraan dan produktivitas unggas melalui pemantauan otomatis. Analisis difokuskan pada perilaku utama seperti Beristirahat, Makan/Minum, dan Aktivitas Fisik, serta meneliti bagaimana fluktuasi lingkungan memengaruhi respons fisiologis ayam, khususnya dalam termoregulasi. Selama periode pengamatan selama 21 hari, data dikumpulkan dari enam ayam menggunakan sensor suhu dan kelembapan, disertai dengan rekaman video. Sebanyak lima model pembelajaran mesin diuji, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP), dan metode ensemble, untuk mengidentifikasi model yang paling efektif di antara lima model yang digunakan. Model Random Forest menunjukkan kinerja terbaik dengan akurasi sebesar 98,65%, membuktikan kemampuannya dalam membedakan berbagai aktivitas dengan efektif. Selain itu, temuan penelitian ini menekankan pentingnya mengintegrasikan data lingkungan secara real-time dan meningkatkan teknik ekstraksi fitur untuk meningkatkan keandalan klasifikasi. Wawasan dari penelitian ini berpotensi memberikan kontribusi terhadap pengembangan sistem pemantauan cerdas adaptif, meskipun masih memerlukan validasi lebih lanjut dengan jumlah sampel yang lebih besar, sekaligus menjadi landasan awal yang berpotensi mendukung kemajuan di masa depan dalam manajemen unggas komersial dengan memungkinkan intervensi kesejahteraan yang tepat waktu dan mendukung operasi yang efisien serta berorientasi pada kesejahteraan.]]>
