<![CDATA[Sektor industri peternakan saat ini sedang bertransisi menuju konsep Precision Livestock Farming (PLF) yang membutuhkan pemantauan kondisi hewan secara otomatis selama 24 jam penuh. Penggunaan sistem pemantauan berbasis visual sering mengalami kendala karena pencahayaan yang buruk dan tebalnya debu di lingkungan kandang. Oleh karena itu, pendekatan bioakustik menggunakan sensor suara menjadi alternatif solusi yang jauh lebih tangguh dan terjangkau. Permasalahan utamanya adalah bagaimana cara memproses data sinyal suara mentah yang sangat masif dan kompleks tersebut secara efisien agar dapat mengidentifikasi masalah kesehatan ternak sejak dini. Untuk memecahkan masalah ini, penelitian menggunakan metode ekstraksi fitur audio Mel-Frequency Cepstral Coefficients (MFCC) guna mengubah sinyal audio menjadi representasi numerik yang lebih sederhana. Selanjutnya, klasifikasi dilakukan dengan menerapkan algoritma komputasi Artificial Neural Network (ANN) pada sebuah dataset yang berisi 543 sampel audio dari 7 jenis hewan berbeda. Hasil dari implementasi model ini menunjukkan kinerja yang sangat baik, di mana akurasi validasi berhasil mencapai angka 92,66% pada pengujian akhir. Selain itu, model terbukti belajar secara stabil tanpa ada indikasi overfitting. Sebagai kesimpulan, model Deep Learning yang dikembangkan sangat layak digunakan untuk mendeteksi vokalisasi ternak secara real-time. Meski demikian, kelemahan sistem klasifikasi ini masih ditemukan pada hewan dengan jumlah rekaman yang terlampau sedikit, sehingga penambahan data dan proporsi sampel sangat disarankan untuk pengembangan ke depannya.]]>
Copyrights © 2026
