Rancang Bangun Sistem Penyortiran dan Pemantauan Anak Ayam Sehat dan Tidak Sehat Berdasarkan Bobot dan Suhu menggunakan Platform <i>Internet-of-Things</i>
Notice bibliographique
Résumé
Kondisi kesehatan anak ayam pada fase awal pemeliharaan berperan penting terhadap produktivitas serta efisiensi usaha peternakan unggas. Penelitian ini bertujuan merancang dan merealisasikan sistem otomatis untuk penyortiran serta pemantauan kesehatan anak ayam berdasarkan bobot badan dan suhu tubuh dengan memanfaatkan teknologi Internet of Things (IoT). Sistem dirancang menggunakan sensor load cell sebagai pengukur bobot, sensor suhu MLX90614, serta mikrokontroler ESP32 sebagai unit pengolah data, dengan indikator keluaran berupa buzzer, LED, dan LCD. Data hasil pengukuran dikirim secara real-time ke platform ThingSpeak untuk keperluan visualisasi dan analisis. Proses klasifikasi dilakukan dengan membandingkan nilai bobot dan suhu terhadap ambang batas standar kesehatan ayam broiler. Anak ayam dikategorikan sehat apabila memiliki bobot 36–40 gram dan suhu tubuh 37–40 °C, sedangkan nilai di luar rentang tersebut menunjukkan kondisi tidak sehat. Hasil pengujian membuktikan bahwa sistem mampu mengklasifikasikan kondisi anak ayam secara tepat dengan tingkat akurasi mencapai 100% serta menyediakan informasi yang dapat diakses melalui perangkat seluler maupun komputer. Sistem ini diharapkan dapat meningkatkan efisiensi pemantauan kesehatan ayam dan mengurangi ketergantungan pada metode manual. Ke depan, pengembangan dapat dilakukan dengan menambahkan algoritma kecerdasan buatan untuk meningkatkan ketelitian klasifikasi.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,007 | 0,004 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».