Bimo, Muhamad (2026) DETEKSI VISUAL PERTUMBUHAN AYAM MENGGUNAKAN DEEP LEARNING PADA AUTOMATIC CHICKEN COOP. Diploma thesis, Politeknik Negeri Sriwijaya.
|
Text (COVER)
COVER.pdf - Published Version Download (674kB) | Preview |
|
|
Text (ABSTRAK)
ABSTRAK.pdf - Published Version Download (222kB) | Preview |
|
![[img]](http://eprints.polsri.ac.id/style/images/fileicons/text.png) |
Text (BAB I PENDAHULUAN)
BAB I.pdf - Published Version Restricted to Repository staff only Download (241kB) | Request a copy |
|
|
Text (BAB II TINJAUAN PUSTAKA)
BAB II.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy |
|
|
Text (BAB III RANCANG BANGUN)
BAB III.pdf - Published Version Restricted to Repository staff only Download (927kB) | Request a copy |
|
|
Text (BAB IV PEMBAHASAN)
BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy |
|
|
Text (BAB V KESIMPULAN DAN SARAN)
BAB V.pdf - Published Version Restricted to Repository staff only Download (212kB) | Request a copy |
|
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (235kB) | Request a copy |
|
|
Text (LAMPIRAN)
LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy |
Abstract
Pemantauan pertumbuhan ayam kampung secara manual masih menghadapi keterbatasan efisiensi dan objektivitas dalam sistem peternakan konvensional. Penelitian ini mengembangkan sistem deteksi visual pertumbuhan ayam menggunakan YOLOv11n dan Gated Recurrent Unit (GRU) pada Automatic Chicken Coop berbasis IoT yang dilengkapi sensor DHT22, MQ-137, load cell, dan mikrokontroler ESP32. Model YOLOv11n mengestimasi tinggi, panjang, dan berat badan ayam secara real-time dari rekaman CCTV, dengan nilai R² gabungan sebesar 0,919; 0,823; dan 0,905 pada kandang tradisional, serta 0,887; 0,949; dan 0,942 pada Automatic Chicken Coop. Seluruh nilai MAPE pada kedua kondisi kandang berada di bawah 5% dan F1-Score di atas 91%. Model GRU dengan pendekatan Strict Guarded Calibration memprediksi pertumbuhan hari ke-41 hingga ke-50 dengan R² antara 0,96–0,99, MAPE di bawah 1,1%, dan F1-Score 100%. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memantau dan memprediksi pertumbuhan ayam kampung secara akurat dan otomatis pada dua kondisi kandang yang berbeda.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | YOLOv11, GRU, Deteksi Pertumbuhan Ayam, Automatic Chicken Coop, Deep Learning, IoT |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Electronic Engineering > Undergraduate Theses |
| Depositing User: | Pustaka Teknik Elektro |
| Date Deposited: | 27 Jul 2026 06:42 |
| Last Modified: | 27 Jul 2026 06:42 |
| URI: | http://eprints.polsri.ac.id/id/eprint/23842 |
Actions (login required)
 |
View Item |
