Deteksi & Prediksi Kesehatan ayam dengan YOLOv5 - K-Nearest Neighbors

Abstract

Kesehatan ayam petelur merupakan faktor penting yang berpengaruh langsung terhadap produktivitas dan kualitas hasil peternakan. Namun, proses pemantauan kesehatan ayam secara manual masih memiliki keterbatasan, seperti ketergantungan pada pengamatan subjektif dan membutuhkan waktu yang relatif lama. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi dan prediksi kesehatan ayam petelur berbasis computer vision menggunakan metode YOLOv5 dan K-Nearest Neighbors (KNN). Metode YOLOv5 digunakan untuk mendeteksi objek ayam secara otomatis dari citra digital, sedangkan algoritma KNN dimanfaatkan untuk mengklasifikasikan kondisi kesehatan ayam berdasarkan fitur visual yang diperoleh. Proses penelitian meliputi pengumpulan dataset citra ayam, tahap preprocessing, pelatihan model, serta pengujian sistem secara menyeluruh. Hasil pengujian menunjukkan bahwa model YOLOv5 mampu mendeteksi objek ayam dengan tingkat akurasi sebesar 92,4%, sedangkan algoritma KNN menghasilkan nilai akurasi klasifikasi sebesar 90,1%. Selain itu, nilai precision dan recall yang diperoleh masing-masing sebesar 89,6% dan 91,2%, yang menandakan performa klasifikasi yang cukup seimbang. Pengujian validitas sistem menunjukkan bahwa hasil prediksi yang dihasilkan memiliki tingkat kesesuaian yang tinggi terhadap kondisi aktual ayam, dengan nilai validitas sebesar 0,89. Sementara itu, uji reliabilitas sistem menghasilkan nilai sebesar 0,91, yang mengindikasikan bahwa sistem mampu memberikan hasil yang konsisten pada pengujian berulang. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem yang dikembangkan memiliki kinerja yang baik dan layak digunakan sebagai alat bantu pemantauan kesehatan ayam petelur secara otomatis dan efisien.