Klasifikasi Perilaku Sapi menggunakan Metode Machine Learning

Industri peternakan sapi sangat bergantung pada kesehatan dan kesejahteraan ternak, di mana perilaku harian seperti makan dan ruminasi menjadi indikator kuncinya. Pemantauan manual seringkali tidak efisien. Seiring perkembangan teknologi, machine learning (ML) menawarkan solusi objektif untuk mengklasifikasikan perilaku ini. Penelitian ini bertujuan untuk merancang sistem klasifikasi perilaku sapi dan membandingkan performa tiga algoritma ML terkemuka: Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Convolutional Neural Network (CNN). Metode penelitian menggunakan dataset publik dari Zenodo yang berisi data sensor akselerometer tiga sumbu dari 18 ekor sapi, dengan perilaku yang diklasifikasikan sebagai Eating, Ruminating, dan Other. Data diolah melalui pra-pemrosesan yang memiliki berbagai tahap sebelum dilatih menggunakan ketiga model tersebut. Lalu Data yang sudah di latih akan Di evaluasi mulai dari akurasi, precision hingga f1-score dengan menggunakan confusion matrix. Hasil menunjukkan bahwa model CNN mencapai akurasi tertinggi sebesar 81%. Model Random Forest dan XGBoost keduanya mencapai akurasi 79%. Dengan demikian, CNN terbukti menjadi algoritma paling optimal dan direkomendasikan untuk sistem klasifikasi perilaku sapi dalam penelitian ini.