<![CDATA[Kesehatan hewan percobaan merupakan faktor fundamental dalam keberhasilan penelitian biomedis, karena kondisi fisiologis yang terganggu dapat memengaruhi validitas data eksperimen. Penelitian ini bertujuan mengembangkan aplikasi prediksi kesehatan hewan percobaan berbasis machine learning dengan memanfaatkan integrasi data lingkungan dan fisiologis. Data dikumpulkan dari 30 ekor mencit selama 60 hari menggunakan sensor IoT yang merekam parameter lingkungan (suhu 22–29 °C, kelembaban 55–85%, CO₂ 450–900 ppm, amonia 0–15 ppm) serta fisiologis (berat badan 18–30 g, denyut jantung 300–650 bpm, dan aktivitas harian 50–300 unit). Analisis awal menunjukkan bahwa suhu dan kelembaban berhubungan negatif dengan aktivitas (r = –0,42), sedangkan peningkatan amonia >10 ppm cenderung menurunkan berat badan hingga 12% dalam 10 hari. Visualisasi boxplot dan violin plot memperlihatkan distribusi fisiologis yang lebih stabil pada mencit dengan label “Sehat” dibandingkan “Kurang Sehat”. Heatmap korelasi mengindikasikan bahwa denyut jantung dan berat badan merupakan indikator fisiologis paling dominan dalam memengaruhi status kesehatan. Untuk prediksi status kesehatan (Sehat, Kurang Sehat), tiga algoritma machine learning diuji, yaitu Random Forest (RF), Support Vector Machine (SVM), dan Artificial Neural Network (ANN). Hasil evaluasi menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan akurasi 92%, precision 91%, recall 90%, dan F1-score 90%, lebih tinggi dibanding SVM (akurasi 88%, F1-score 86%) dan ANN (akurasi 85%, F1-score 83%). Integrasi data lingkungan dan fisiologis meningkatkan akurasi prediksi sebesar 7% dibanding penggunaan data tunggal (lingkungan saja 84%, fisiologis saja 85%). Studi ini membuktikan bahwa integrasi multi-sumber data berbasis IoT dan machine learning tidak hanya meningkatkan akurasi prediksi kesehatan hewan percobaan, tetapi juga berpotensi mengurangi keterlambatan deteksi gangguan kesehatan. Dengan demikian, aplikasi ini dapat mendukung kesejahteraan hewan percobaan serta meningkatkan efisiensi riset biomedis di masa depan.]]>
