Klasifikasi Berat Itik Pedaging Berbasis Convolutional Neural Network dan Internet of Things

sindhu hari mukti; Ardi Pujiyanta; Abdul Fadlil

doi:10.30595/jrre.v7i2.27847

Authors

sindhu hari mukti Universitas Ahmad Dahlan
Ardi Pujiyanta Universitas Ahmad Dahlan
Abdul Fadlil Universitas Ahmad Dahlan

DOI:

https://doi.org/10.30595/jrre.v7i2.27847

Keywords:

Klasifikasi Itik, CNN, Vision Transformer, IoT, Load Cell

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi berat itik pedaging secara otomatis menggunakan Convolutional Neural Network (CNN) yang terintegrasi dengan teknologi Internet of Things (IoT). Data citra itik diperoleh melalui kamera USB, yang kemudian diproses menggunakan model CNN dan Vision Transformer (ViT) untuk mengklasifikasikan berat itik ke dalam kategori kurus, sedang, dan gemuk. Sistem ini juga memanfaatkan sensor load cell untuk memberikan data bobot aktual sebagai referensi. Hasil pengujian menunjukkan bahwa model CNN memperoleh akurasi 85,1%, sementara model ViT mencapai akurasi 85,8%. Selain itu, sistem IoT memungkinkan hasil klasifikasi dapat dipantau secara real-time oleh peternak, meningkatkan efisiensi dalam manajemen penggemukan itik. Sistem ini berpotensi menjadi solusi non-invasif yang efektif dalam meningkatkan akurasi penentuan bobot itik di peternakan.

References

[1] P. Lieng and K. Sangpradit, “Study on duck weight estimation by using image processing,” E3S Web Conf., vol. 187, p. 02001, 2020, doi: 10.1051/e3sconf/202018702001.

[2] V. Y. Mahendra, A. A. Riadi, and E. Evanita, “Aplikasi Pengolahan Citra Digital Menentukan Bobot Sapi Dengan Metode Titik Berat Berbasis Android,” Jurasik J. Ris. Sist. Inf. Dan Tek. Inform., vol. 7, no. 1, p. 88, Feb. 2022, doi: 10.30645/jurasik.v7i1.419.

[3] M. Campbell et al., “Automated precision weighing: Leveraging 2D video feature analysis and machine learning for live body weight estimation of broiler chickens,” Smart Agric. Technol., vol. 10, p. 100793, Mar. 2025, doi: 10.1016/j.atech.2025.100793.

[4] P. Winardi and E. Setyati, “Identifikasi Jenis Daging dengan Menggunakan Algoritma Convolution Neural Network,” J. Inf. Syst. Hosp. Technol., vol. 3, no. 02, pp. 82–88, Dec. 2021, doi: 10.37823/insight.v3i02.178.

[5] J. Justam, M. Hasanuddin, H. Mubarak, R. Rahmah, and T. Nurjanah, “IoT dan Pengolahan Citra untuk Sistem Pakan Otomatis Udang dalam Kolam Bioflok,” J. Ilm. Sist. Inf. Dan Tek. Inform. JISTI, vol. 7, no. 2, pp. 351–362, Oct. 2024, doi: 10.57093/jisti.v7i2.272.

[6] Abdul Aziz, Abdul Fadlil, and Tole Sutikno, “Optimization of Convolutional Neural Network (CNN) Using Transfer Learning for Disease Identification in Rice Leaf Images,” J. E-Komtek Elektro-Komput.-Tek., vol. 8, no. 2, pp. 504–515, Dec. 2024, doi: 10.37339/e-komtek.v8i2.2132.

[7] S. B. Sulistyo et al., “Analisis Regresi Untuk Evaluasi Mutu Jeruk Selama Penyimpanan Berdasarkan Fitur Citra Digital,” Rona Tek. Pertan., vol. 13, no. 1, pp. 56–66, Apr. 2020, doi: 10.17969/rtp.v13i1.15172.

[8] A. Azis, A. Fadlil, and T. Sutikno, “Real-time Rice Leaf Disease Diagnosis: A Mobile CNN Application with Firebase Integration,” J. Tek. Inform. Jutif, vol. 6, no. 3, pp. 1469–1484, June 2025, doi: 10.52436/1.jutif.2025.6.3.4452.

[9] R. Mahdaliza and B. Sugandi, “Prediksi Berat dan Harga Buah Mengunakan Sensor Visual,” J. INTEGRASI, vol. 13, no. 1, pp. 10–14, Apr. 2021, doi: 10.30871/ji.v13i1.2916.

[10] H. Fitriyah, “Pengukuran Panjang-Berat Ikan dan Sayuran secara Otomatis pada Budikdamber (Budi Daya Ikan dalam Ember) Menggunakan Visi Komputer dan Regresi Linier,” 2020.

[11] A. Ruchay, V. Kober, K. Dorofeev, V. Kolpakov, A. Gladkov, and H. Guo, “Live Weight Prediction of Cattle Based on Deep Regression of RGB-D Images,” Agriculture, vol. 12, no. 11, p. 1794, Oct. 2022, doi: 10.3390/agriculture12111794.

[12] D. A. Supriyatna, M. Si, and I. Taufik, “IDENTIFIKASI JENIS TUMBUHAN DI LINGKUNGAN UIN SUNAN GUNUNG DJATI BANDUNG BERDASARKAN CITRA DAUN MENGGUNAKAN CNN”.

[13] N. T. Duc et al., “Image-based phenotyping of seed architectural traits and prediction of seed weight using machine learning models in soybean,” Front. Plant Sci., vol. 14, p. 1206357, Sept. 2023, doi: 10.3389/fpls.2023.1206357.

[14] E. N. Cahyo, E. Susanti, and R. Y. Ariyana, “Model Machine Learning Untuk Klasifikasi Kesegaran Daging Menggunakan Arsitektur Transfer Learning Xception,” J. Sist. Dan Teknol. Inf. JustIN, vol. 11, no. 2, p. 371, July 2023, doi: 10.26418/justin.v11i2.57517.

[15] I. Supiyani, J. Haerul, and T. N. Padilah, “PENGOLAHAN CITRA DIGITAL PREDIKSI BOBOT SAPI MENGGUNAKAN EKSTRAKSI FITUR CANNY DAN KLASIFIKASI K-NEAREST NEIGHBOR,” 2021.