EKSPERIMEN DAN ANALISIS PERILAKU SAPI BERBASIS PENGOLAHAN SINYAL DAN TEKNOLOGI INTERNET OF THINGS UNTUK OTOMASI PENGELOLAAN PETERNAKAN

Zurnawita, Zurnawita (2025) EKSPERIMEN DAN ANALISIS PERILAKU SAPI BERBASIS PENGOLAHAN SINYAL DAN TEKNOLOGI INTERNET OF THINGS UNTUK OTOMASI PENGELOLAAN PETERNAKAN. S3 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) 1. Cover dan Abstrak.pdf - Published Version Download (157kB)
	Text (Bab 1) 2. BAB 1 (Pendahuluan).pdf - Published Version Download (147kB)
	Text (Simpulan dan Saran) 3. BAB akhir (Penutup_Kesimpulan).pdf - Published Version Download (111kB)
	Text (Daftar Pustaka) 4. Daftar Pustaka.pdf - Published Version Download (195kB)
	Text (Disertasi full text) 5. Disertasi Ilmiah utuh..pdf - Published Version Restricted to Repository staff only until 2 September 2026. Download (12MB) | Request a copy

Abstract

Pemantauan perilaku ternak dengan sensor tunggal memiliki keterbatasan informasi, oleh sebab itu pada penelitian ini berfokus pada eksperimen dan analisis pemantauan perilaku sapi secara real-time melalui integrasi sensor akselerometer dan kamera guna mendukung otomasi peternakan dengan daya komputasi terbatas. Sistem dirancang untuk mendeteksi perilaku sapi melalui sensor GY-521 (MPU6050) diolah berdasarkan pendekatan statistik ringan (sliding window, moving average, dan thresholding), serta pengubahan model decision tree ke aturan logika eksplisit. Pada data gambar dan video dari kamera HD, digunakan teknik thresholding, analisis ruang warna Lab yang dibandingkan dengan metode optical flow dan model Haarcascade. Hasil penelitian data dari sensor GY-521 mampu mendeteksi perilaku makan dengan akurasi 70,95% menggunakan fitur pitch dan roll pada persentil ke-25, 50, dan 75, serta ambang variabilitas 0,2, dengan aturan logika pitch persentil ke-50 < –11,40 dan pitch persentil ke-75 < 2,85, terbukti efektif dalam klasifikasi perilaku. Pengolahan citra menggunakan metode thresholding pada centroid, rasio tinggi-lebar, dan ruang warna Lab memberikan akurasi hingga 82% dalam deteksi kepala dan hidung sapi. Thresholding pada nilai 175 ditetapkan berdasarkan perbedaan histogram intensitas piksel antara objek (kepala/hidung sapi) dan latar belakang, sehingga mampu memisahkan area target dengan akurasi keseluruhan 80,95%. Pada pengolahan data video, Model Haarcascade yang dilatih dengan 30 gambar masih mampu mendeteksi perilaku tidak makan, meskipun metode statistik tradisional menunjukkan konsistensi lebih tinggi dalam mengenali posisi kepala (hingga 51,8%) dan perilaku makan (hingga 96,9%). Integrasi akselerometer dan kamera menghasilkan akurasi deteksi perilaku hingga 97,72%, meningkat sebesar 30,88% dibandingkan penggunaan sensor tunggal. Hasil ini menunjukkan bahwa pendekatan berbasis multisensor efektif untuk identifikasi perilaku sapi, serta dapat diterapkan pada perangkat edge guna mendukung otomasi pengelolaan peternakan berbasis IoT.

Actions (login required)

View Item