Pengembangan Model Klasifikasi Kualitas Pakan Sapi Menggunakan Spektrum Near Infrared (NIR) Berbasis Machine Learning
DOI:
https://doi.org/10.29407/70bk9z94Abstract
Kualitas pakan merupakan salah satu faktor penting yang memengaruhi produktivitas, pertumbuhan, dan kesehatan ternak sapi. Evaluasi kualitas pakan secara konvensional melalui pengujian laboratorium membutuhkan waktu, biaya, dan tenaga ahli sehingga kurang efisien untuk kebutuhan identifikasi cepat. Penelitian ini bertujuan mengembangkan model klasifikasi kualitas pakan sapi menggunakan data spektrum Near Infrared (NIR) berbasis machine learning. Metode penelitian menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Model dikembangkan menggunakan algoritma Random Forest Regression dengan pendekatan multi-output regression untuk memprediksi beberapa parameter nutrisi pakan, yaitu protein kasar, lemak kasar, serat kasar, abu, dan bahan kering. Proses preprocessing dilakukan menggunakan Pipeline yang mengintegrasikan imputasi data, standarisasi fitur, dan pemodelan untuk menjaga konsistensi proses analisis. Hasil evaluasi model menunjukkan nilai Mean Absolute Error (MAE) sebesar 1,229 dan R² sebesar 0,861, yang menunjukkan bahwa model memiliki kemampuan prediksi yang baik. Hasil prediksi nutrisi selanjutnya dikonversi menjadi skor dan diklasifikasikan ke dalam kategori kualitas pakan berbasis grade. Penelitian ini menunjukkan bahwa kombinasi teknologi NIR dan algoritma Random Forest berpotensi menjadi alternatif dalam evaluasi kualitas pakan secara lebih cepat, efisien, dan mendukung pengambilan keputusan dalam manajemen nutrisi ternak.
Keywords:
CRISP-DM, Klasifikasi Pakan, Machine Learning, Near Infrared (NIR), Random Forest.##plugins.themes.default.displayStats.downloads##
References
[1] F. Junaidi dan D. W. A. Winarno, “Pengembangan teknologi fermentasi pakan berbasis
hijauan untuk peningkatan kualitas nutrisi pada ternak kambing (Rojokoyo Farm),” Jurnal
SainTek, vol. 1, no. 1, hlm. 76–82, 2024.
[2] J. Irma Kholifatul, “Efek Suplementasi Berbagai Akselerator pada Silase Ampas Tahu
terhadap Uji Organoleptik, Kandungan Protein Kasar, Lemak Kasar, dan Serat Kasar,” 2026.
[3] D. L. Dede, E. Adityarini, dan M. A. Madiansah, “Analisis implementasi kecerdasan buatan
(artificial intelligence) dalam optimalisasi proses bisnis,” Jurnal Sistem Informasi dan
Teknologi (SINTEK), vol. 5, no. 1, hlm. 90–99, 2025.
[4] F. Annisa dkk., “Sistem Controlling Pembuatan Pakan Ternak Silase Menggunakan ESP32
Berbasis IoT,” Generation Journal, vol. 9, no. 1, hlm. 58–70, 2025.
[5] I. N. Farida, J. Sahertian, F. Annisa, dan A. M. Salsabila, “Sosialisasi Nutrisi Pakan Ternak
Berkualitas pada Kelompok Ternak" Tri Mulyo” Desa Tenggur Kecamatan Rejotangan
Kabupaten Tulungagung,” Jurnal Pengabdian Masyarakat Nusantara, vol. 5, no. 1, hlm.
26–34, 2025.
[6] P. R. ARMELIA, “Rancang Bangun Spektrometer Visible-Infrared (VIS-IR) Menggunakan
Modul Sensor AS7265X berbasis Mikrokontroler,” 2025.
[7] H. Ahmad, “Sistem Monitoring Kadar Gula Darah Non-Invasif berbasis Internet of Things
(IoT) ESP8266 untuk Prediksi Penyakit Diabetes Menggunakan Machine Learning,” 2025.
[8] H. G. R. Santos, F. Supriadi, dan D. Setiadi, “Prediksi Jumlah Pengunjung Perpustakaan
Menggunakan Algoritma Random Forest,” JATI (Jurnal Mahasiswa Teknik Informatika),
vol. 10, no. 2, hlm. 3537–3542, 2026.
[9] Z. Z. H. Al Abrori dan E. R. Subhiyakto, “Analisis Komparatif Akurasi Prediksi Kanker
Payudara Menggunakan Algoritma Random Forest dan Logistic Regression,” Jurnal
Algoritma, vol. 22, no. 1, hlm. 300–311, 2025.
[10] A. Nababan, R. L. Gaol, dan F. Rahmadhani, “Pemodelan Biaya Sewa pada Data Pendidikan
Internasional Menggunakan Pendekatan Machine Learning dan CRISP-DM,” Bulletin of
Information Technology (BIT), vol. 7, no. 1, hlm. 22–30, 2026.
[11] A. Nababan, R. L. Gaol, dan F. Rahmadhani, “Pemodelan Biaya Sewa pada Data Pendidikan
Internasional Menggunakan Pendekatan Machine Learning dan CRISP-DM,” Bulletin of
Information Technology (BIT), vol. 7, no. 1, hlm. 22–30, 2026.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
