Analisis dan klasifikasi status produksi bebek pedaging menggunakan Algoritma Fuzzy K_Nearest Neighbors

ABSTRAK

Keberhasilan budidaya bebek pedaging tampak dari indikator kinerja terukur seperti tingkat angka kematian, konsumsi pakan yang telah ditentukan, bobot berat akhir, dan rasio konversi pakan (FCR). Masih banyak kerugian dalam pola manajemen kandang, salah satu faktor utamanya adalah tingkat kematian yang sangat tinggi. Sehingga, berdasarkan dari hasil penelitian tentang pokok bahasan produksi bebek pedaging, peneliti mencoba menganalisis unsur-unsur produksi menggunakan berbagai teknik pengolahan data, antara lain clusification berbasis jaringan syaraf tiruan dan fuzzy classifier telah terbukti memiliki hasil yang sangat baik untuk data klasifikasi. Akan tetapi, dalam praktiknya terdapat situasi dimana sebaran data training dan testing sama tetapi berbeda. Berdasarkan analisis penelitian sebelumnya, algoritma fuzzy k-nearest neighbor diterapkan untuk mengolah data produksi bebek potong. Berdasarkan hasil pengujian metode fuzzy k-nearest neighbors dengan membandingkan jumlah dataset, nilai jarak terdekat “k”, dan derajat keanggotaan “m”. Didapatkan parameter terbaik yaitu dengan parameter nilai k=9, m=2, dan pembagian dataset training 80% dan testing 20%. Didapatkan nilai akurasi sebesar 80.07% dari hasil pengklasifikasian status produksi bebek pedaging.

مستخلص البحث

ينعكس نجاح إنتاج بط اللاحم في مؤشرات أداء قابلة للقياس، مثل معدل النفوق، واستهلاك العلف، ووزن الجسم النهائي، ونسبة تحويل العلف (FCR). لا تزال هناك العديد من العيوب في نمط إدارة الأقفاص، ومن أهمها ارتفاع معدل النفوق. لذلك، واستنادًا إلى نتائج الأبحاث المتعلقة بإنتاج بط اللاحم، حاول الباحثون تحليل عناصر الإنتاج باستخدام تقنيات معالجة بيانات متنوعة، بما في ذلك التجميع القائم على الشبكات العصبية الاصطناعية والمصنفات الضبابية، والتي أثبتت نتائجها الممتازة في تصنيف البيانات. ومع ذلك، في الممارسة العملية، هناك حالات يكون فيها توزيع بيانات التدريب والاختبار متماثلًا ولكنه مختلف. بناءً على نتائج تحليل البحث السابق، استُخدمت خوارزمية "أقرب جار ضبابي k" لمعالجة بيانات إنتاج بط اللاحم. بناءً على نتائج اختبار خوارزمية "أقرب جار ضبابي k" بمقارنة معلمات عدد مجموعات البيانات، ومعلمة أقرب مسافة "k"، ومعلمة درجة العضوية "m". تم الحصول على أفضل المعلمات باستخدام معلمات k = 9 وm = 2، وتقسيم مجموعة بيانات التدريب بنسبة 80% والاختبار بنسبة 20%. وتم الحصول على دقة 80.07% من نتائج تصنيف حالة إنتاج بط اللاحم

ABSTRACT

The efficiency of broiler duck production is apparent in measurable performance indicators such as mortality rate, feed consumption, end body weight, and feed conversion ratio (FCR). The cage management approach still has numerous drawbacks, with one of the primary issues being the exceedingly high mortality rate. Consequently, drawing from the findings of studies on broiler duck production, researchers aimed to examine production factors employing diverse data processing methods, such as clustering based on artificial neural networks and fuzzy classifiers, that have shown exceptional efficacy in classifying data. However, in practice, there are situations where the distribution of training and testing data is the same yet different. Drawing from the results of the previous research analysis, the fuzzy k-nearest neighbor algorithm was utilized to process broiler duck production data. Results from testing the fuzzy k-nearest neighbors method were analyzed by comparing the dataset quantity, the nearest distance parameter "k," and the membership degree parameter "m." The optimal parameters were achieved with k = 9, m = 2, and an 80% training dataset division alongside a 20% testing set. An accuracy rate of 80.07% was achieved from the classification results of the broiler duck production status.