Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Amdan, Muhammad Satria Purwanugraha
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Random Forest dengan Threshold Tuning untuk Identifikasi Stress Kambing Melalui Analisis Suara Berbasis MFCC Amdan, Muhammad Satria Purwanugraha; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kesejahteraan hewan ternak merupakan faktor krusial dalam produktivitas peternakan, di mana stres akibat rasa lapar sering kali menjadi indikator fisiologis yang terabaikan. Metode pemantauan konvensional yang mengandalkan pengamatan visual memiliki keterbatasan waktu dan tenaga. Penelitian ini mengusulkan sistem deteksi kondisi stres kambing secara non-invasif melalui analisis bioakustik suara. Sistem dikembangkan menggunakan metode ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) untuk merepresentasikan karakteristik sinyal suara, dan algoritma Random Forest sebagai model klasifikasi. Untuk mengatasi risiko kegagalan deteksi pada kelas kritis (stres), penelitian ini menerapkan metode Threshold Tuning berbasis analisis kurva Receiver Operating Characteristic (ROC). Hasil pengujian menunjukkan bahwa penggunaan ambang batas keputusan (decision threshold) standar 0.50 menghasilkan sensitivitas (Recall) sebesar 87.50%. Melalui optimasi Youden’s Index, ditemukan nilai threshold optimal teoritis sebesar 0.34. Penerapan threshold baru ini berhasil meningkatkan sensitivitas hingga mencapai 100% (Zero False Negative) dengan Akurasi keseluruhan meningkat dari 78.12% menjadi 81.25%. Sistem diimplementasikan pada perangkat mobile Android menggunakan format ONNX Runtime untuk memungkinkan inferensi secara offline dan real-time.
Co-Authors Barlian Henryranu Prasetio