Kecerdasan buatan (artificial intelligence / AI) tengah membentuk masa depan berbagai industri, dan sektor perunggasan tidak terkecuali.
Machine learning (ML) dan analisis prediktif merupakan segmen dari kecerdasan buatan (AI). Analisis prediktif AI menggunakan teknik dan machine learning (ML) yang memperoleh pengetahuan dari data dari waktu ke waktu.
Model-model ini menjalani pelatihan menggunakan data masa lalu untuk mengenali dan menganalisis pola dan interaksi (Ravi et al., 2018).
Setelah dilatih, model-model tersebut digunakan untuk membuat prediksi tentang hasil di masa mendatang menggunakan data baru yang belum pernah dilihat sebelumnya (Gambar 1).
Gambar 1. Penggambaran sederhana analisis prediktif (Sumber: Ogirala et al., 2024)
Penyakit dan kebersihan yang tidak memadai merupakan dua dari sekian banyak masalah yang dihadapi sektor produksi ayam. Coccidiosis, Newcastle, Gumboro, Pullorum, dan Salmonella merupakan beberapa penyakit yang paling umum (Machuve et al., 2022).
Pengujian diagnostik untuk penyakit-penyakit ini bisa mahal, memakan waktu, dan melelahkan.
Pengujian bakteriologis pada kotoran ayam, misalnya, dapat menelan biaya rata-rata 30 dolar AS dari laboratorium Amerika (misalnya, GPLN dan lainnya), dengan harga yang berfluktuasi berdasarkan jumlah unggas yang diuji (GPLN, 2024; CEVDL, 2024).
Memantau unggas tertentu secara seksama untuk mengetahui adanya perubahan perilaku atau penampilan dapat membantu operator dengan cepat menentukan dan menghilangkan penyebab penyakit.
Di sinilah analisis prediktif telah memberikan solusi terobosan bagi industri unggas.
Kunci keberhasilan analisis prediktif dalam peternakan unggas adalah pengumpulan dan pengelolaan berbagai data.
Jenis data yang menonjol di peternakan meliputi faktor lingkungan seperti suhu, kelembaban, dan kualitas udara (yang penting bagi kesehatan unggas).
Pelacakan data tersebut membantu memperkirakan kondisi yang dapat memicu wabah penyakit (Jung et al., 2021; Johansen et al., 2019).
Selain itu, sensor dan pengawasan video dapat membantu memantau perilaku unggas (pola makan, tingkat aktivitas, dan interaksi dengan lingkungan sekitar) (Gambar 2).
Indeks perilaku tersebut dapat membantu mengidentifikasi gangguan atau penyakit pada tahap awal daripada penilaian tradisional saja (Reboiro-Jato et al., 2011).
Berlanjut setelah iklan.
Gambar 2. Gambaran dari IoT dan ML dalam manajemen kesehatan unggas (Source: Ojo et al., 2022).
Catatan kesehatan, yang mencakup riwayat vaksinasi, catatan pengobatan, dan diagnosis medis sebelumnya, merupakan kumpulan data penting lainnya.
Wawasan ini penting untuk pemodelan penyakit berisiko yang lebih baik dan pemahaman pola masalah kesehatan temporal yang mungkin menyebar ke seluruh flock (Huang et al., 2019).
Skala dan kompleksitas jenis data ini memerlukan sistem yang andal untuk memproses, memvalidasi, dan menggunakan semua informasi ini untuk kesimpulan yang cepat.
Perangkat dan sensor Internet of Things (IoT) terutama mengotomatiskan pengumpulan data, menyediakan input berkelanjutan ke sistem manajemen terintegrasi.
Basis data canggih dan solusi penyimpanan cloud menyimpan sejumlah besar data.
Platform analisis data menggunakan algoritma canggih dan model machine learning untuk menganalisis data, mencari hubungan atau pola tersembunyi dalam cara yang diproses, dan memprediksi kemungkinan hasil (LeCun et al., 2015) (Gambar 3).
Gambar 3. Alur umum dari sistem monitoring ayam berbasis machine learning (Sumber: Okinda et al., 2020).
MODEL PREDIKTIF UNTUK DETEKSI PENYAKIT
Teknik berbasis ML menggunakan ekstraktor fitur untuk mengubah data mentah, seperti nilai piksel dari foto, menjadi vektor fitur.
Selain itu, subsistem pembelajaran digunakan untuk melakukan regresi atau mengidentifikasi pola dalam fitur yang diperoleh (LeCun et al., 2015).
Algoritma deep learning, yang berasal dari teknik machine learning konvensional, memiliki kemampuan untuk secara mandiri menemukan fitur atau representasi data dari data mentah, sehingga menghilangkan kebutuhan akan pengetahuan dalam rekayasa ekstraksi fitur (LeCun et al., 2015).
Jaringan neural berulang, autoencoder, jaringan neural konvolusional, jaringan kepercayaan, jaringan adversarial generatif, dan reinforcement learning adalah semua model yang membentuk arsitektur deep learning.
Untuk memecahkan masalah yang sulit, jaringan deep learning memerlukan sistem pemrosesan berkinerja tinggi, kumpulan data besar, metode pengoptimalan untuk menjaga data tetap tidak dapat diubah, dan topologi yang kompleks (Oyedele et al., 2021).
Jaringan neural konvolusional banyak digunakan dalam pembelajaran mendalam untuk tujuan pemrosesan gambar digital (Zhuang & Zhang, 2019).
Sebagian besar sistem machine learning menggunakan data masa lalu sebagai input untuk memproyeksikan nilai output di masa mendatang. Algoritma pembelajaran (misalnya, ANN, SVR, random forest, CNN, GLM) dan banyak model pembelajaran (misalnya, klasifikasi, regresi, pengelompokan) mendefinisikan ML sebagai terbimbing atau tidak terbimbing (Milosevic et al., 2019). Metode pembelajaran terbimbing memastikan kebenaran klasifikasi atau prediksi mereka melalui data berlabel.
STUDI KASUS
Robertson dan Yee membuat jalur ekstraksi dan analisis data otomatis menggunakan empat kata kunci yang dikaitkan dengan infeksi unggas dengan AIV untuk memeriksa tweet Twitter tentang AIV. Model mereka menunjukkan hubungan positif antara kasus flu burung pada unggas yang dilaporkan oleh Organisasi Kesehatan Hewan Dunia dan posting Twitter yang dikaitkan dengan AIV antara tahun 2015 dan 2016 (Robertson & Yee, 2016).
Belkhiria et al. (2018) membuat peta distribusi penyakit untuk memproyeksikan risiko virus flu burung patogenisitas tinggi (HPAIV) di California. Mereka menggabungkan beberapa jenis data, termasuk jumlah peternakan ayam pedaging di lokasi tertentu, jarak ke garis pantai, dan jumlah infeksi virus flu burung patogenik rendah pada burung liar, untuk membuat hasilnya. Peta tersebut menghubungkan area California dengan risiko infeksi HPAIV, sehingga memungkinkan penggunaan tindakan pencegahan yang tepat jika terjadi wabah.
MANFAAT DETEKSI DINI
Salah satu keuntungan utamanya adalah pengurangan signifikan dalam tingkat kematian unggas.
Deteksi dini sangat mengurangi ketergantungan pada antibiotik, yang secara tradisional digunakan sebagai tindakan pencegahan menyeluruh.
Dengan mencegah wabah, peternakan dapat menghindari biaya besar yang terkait dengan pemusnahan massal dan hilangnya produktivitas.
TANTANGAN DAN SOLUSI IMPLEMENTASI
Masalah infrastruktur, tantangan ekonomi, dan masalah tata kelola data akan menjadi tantangan yang dihadapi dalam pengembangan sistem standar untuk memperkirakan munculnya penyakit pada unggas.
Akses internet di daerah pertanian pedesaan masih kurang, sehingga menyebabkan kurangnya konektivitas. Selain itu, pengembangan sensor dan biosensor untuk mendiagnosis infeksi unggas masih dalam tahap awal.
Oleh karena itu, penelitian lebih lanjut diperlukan untuk menciptakan teknologi yang dapat beroperasi secara efektif di lingkungan kandang unggas komersial.
Penerapan teknologi baru di lahan peternakan mengharuskan peternak memperoleh pengetahuan dan pelatihan di bidang tersebut. Masalah bias dan gangguan pada sumber data tertentu merupakan kendala lain yang harus diatasi oleh algoritma prediktif.
Sebagai contoh, penilaian yang mengandalkan sumber berbasis web sering kali menghasilkan banyak gangguan dan data tidak berguna yang perlu dihapus (Milinovich et al., 2014).
Peternak mungkin mengalami masalah tata kelola data saat mempertimbangkan model prediksi yang diselaraskan dengan beberapa pemangku kepentingan. Meskipun model harus mencakup informasi dari sebanyak mungkin lahan peternakan untuk memprediksi perkembangan penyakit, produsen mungkin tidak ingin data mereka dipublikasikan.
Data dapat dianonimkan, tetapi metode identifikasi ulang semakin baik (Ferris, 2017).
Meningkatkan kualitas data, membangun keahlian teknis, dan mengurangi hambatan ekonomi dan operasional dapat secara efektif menerapkan analisis prediktif, yang mengarah pada peningkatan manajemen penyakit dan peningkatan efisiensi operasional (Gambar 4).
Gambar 4. Ajuan solusi.
Lebih lanjut, Ojo et al. (2022) mengusulkan strategi yang ditujukan untuk meningkatkan peternakan presisi (precision farming) demi kesehatan dan kesejahteraan unggas.
Pendekatan mereka secara khusus mengatasi kendala yang dihadapi dalam sistem saat ini. Gagasan ini dirumuskan melalui pemeriksaan komprehensif atas penanganan sebelumnya yang dilakukan oleh peneliti lain di bidang manajemen kesejahteraan unggas.
Kerangka kerja tersebut memiliki kualitas skalabilitas, ketahanan, ekstensibilitas, dan keamanan.
Kerangka kerja tersebut terdiri dari beberapa komponen fundamental, yaitu modul deep learning (DL), modul Digital Twin, modul cloud edge computing (berbasis cloud-fog), modul komunikasi, modul keamanan, dan modul antarmuka pengguna (Gambar 5).
Gambar 5. Rangkaian manajemen pintar untuk kesejahteraan dan kesehatan unggas (Sumber: Ojo et al, 2022).
PROSPEK DAN INOVASI MASA DEPAN
Masa depan analisis prediktif dalam peternakan unggas diharapkan membaik dengan kecerdasan buatan (AI) dan machine learning, serta integrasi ke dalam perangkat Internet of Things (IOT) dan big data yang akan sangat meningkatkan kemampuan teknologi ini.
Untuk memastikan kelayakan dan penerapan komersial, sistem pemantauan unggas memerlukan penelitian dan pengembangan lebih lanjut.
Pendekatan terpadu dalam ilmu dan rekayasa peternakan harus mengatasi tantangan ini untuk meningkatkan kinerja pemantauan ayam secara keseluruhan dalam PLF (precision livestock farming) dan meningkatkan ketahanannya (Gambar 6).
Gambar 6. Prospek
SISTEM ESTIMASI BERAT HIDUP
Pemantauan berat unggas selama perkembangan membantu seseorang menilai waktu penyembelihan dan rencana pemberian pakan. Jika berat yang diukur menyimpang dari kurva pertumbuhan yang diharapkan, hal itu menunjukkan suatu kondisi seperti penyakit atau masalah vitalitas lainnya yang memerlukan tindakan pencegahan. Dengan demikian, berat hidup menentukan kesejahteraan hewan.
Kesulitan utama untuk sistem estimasi berat ayam adalah pencahayaan sekitar yang bervariasi dan lokasisasi flock.
Sensor gambar yang fleksibel dan kamera iluminan invarian untuk peternakan akan mengatasi masalah perubahan cahaya. Estimasi berat memanfaatkan kamera kedalaman berbasis IR seperti Microsoft Kinect (Mortensen et al. 2016).
SISTEM DETEKSI KEPINCANGAN
Mobilitas sangat penting bagi organisme hidup. Mobilitas dikaitkan dengan kebugaran dan kesehatan.
Ayam yang kesulitan berjalan dapat kelaparan, sehingga rasio konversi pakan, berat dan pertumbuhannya menurun, dadanya kotor, kakinya melepuh, dan rentan terhadap predator.
Menurut wellbeing-Quality® (2009), variabel-variabel di atas menunjukkan kesejahteraan hewan yang buruk. Jadi, pelacakan mobilitas ayam menunjukkan kesejahteraannya.
SISTEM KLASIFIKASI STATUS KESEHATAN
Wang dkk. (2019b) menggunakan penurunan warna dan viskositas untuk mendiagnosis gangguan pencernaan pada ayam pedaging.
Jenis pakan juga dapat memengaruhi penurunan warna.
Asupan air juga memengaruhi penurunan viskositas.
Dengan demikian, metode ini akan sulit digunakan pada ayam yang diternakkan di alam bebas atau diberi makan beragam. Penelitian tambahan harus dilakukan untuk membuat kumpulan data unggas dengan kategori tertentu seperti ayam pedaging, ayam petelur, anak ayam, dll., yang sesuai untuk digunakan dalam sistem pendeteksian unggas.
Namun, proses pelatihan ulang aplikasi baru akan membuat ini padat karya. Oleh karena itu, banyak penelitian harus diarahkan pada strategi pembelajaran inovatif, seperti pembelajaran semisupervised dan pembelajaran adaptif.
SISTEM PELACAKAN UNGGAS
Evaluasi faktor perilaku (jenis aktivitas) dan fisik (kepincangan dan kesehatan) dalam kesejahteraan unggas sangat bergantung pada pelacakan unggas.
Fenotipe perilaku dan pemantauan kesejahteraan menuntut pencatatan pergerakan unggas dan fenotipe perilaku secara konstan.
Zhuang dan Zhang (2019) telah menerapkan deteksi multiobjek dalam deteksi ayam pedaging yang tidak sehat, yang baru-baru ini menarik perhatian secara signifikan.
Lebih jauh, penelitian tambahan harus dilakukan pada jaringan DL yang menggunakan sensor berbasis cahaya tak tampak untuk mengatasi masalah variasi pencahayaan dan memungkinkan pelacakan dilakukan selama jam malam (manajemen pencahayaan).
INTEGRASI IOT DAN BIG DATA
Ketika kita mempertimbangkan integrasi perangkat IoT dengan big data, hal itu merevolusi analisis prediktif dalam peternakan unggas dengan menyediakan informasi yang lebih terperinci kepada para peternak.
Dengan menggabungkan sensor, kamera, dan IoT secara umum, platform big data dimanfaatkan untuk menganalisis berbagai variabel, mulai dari faktor lingkungan hingga perilaku ayam, lalu memasukkan data ini ke dalam platform untuk keterlibatan secara real-time (Nakrosis et al., 2023).
Menambahkan fungsionalitas AI tidak hanya memperluas cakupan analisis data tetapi juga mempercepat proses, meningkatkan efisiensi dan ketepatan waktu pengambilan keputusan.
Kami berharap peningkatan akurasi dan efisiensi model prediktif akan terus berlanjut seperti ini seiring dengan solusi yang menggabungkan bioanalisis, AI, dan machine learning yang meningkat seiring waktu.
Algoritma yang lebih baik, yang berpotensi memproses kumpulan data yang lebih kompleks dari sebelumnya dengan lebih cepat dan jauh dari sempurna, baru saja mulai muncul.
Hal ini akan memungkinkan kita mengidentifikasi sinyal-sinyal yang lebih langka dan lebih kecil dari wabah yang akan datang sebelum patologi penuh muncul, dan berpotensi mengidentifikasi jenis penyakit baru saat muncul.
KESIMPULAN
Pemodelan prediktif membantu menambang data historis dan real-time untuk memberikan peringatan dini tentang kemungkinan hasil kesehatan, mencegah penyakit sebelum terjadi.
Dengan beralih dari praktik manajemen reaktif ke proaktif, kita dapat mengoptimalkan kesejahteraan hewan dan menghasilkan keuntungan ekonomi yang cukup besar dalam bentuk penurunan angka kematian, pengurangan pengeluaran obat, atau pelacakan perputaran uang yang dipercepat.
Pemanfaatan teknologi AI dan machine learning telah semakin meningkatkan akurasi dan ketepatan waktu pengambilan keputusan sistem prediktif ini.
Selain itu, pengenalan perangkat IoT dan analisis big data telah semakin mengembangkan lanskap ini, menyediakan wawasan tingkat lanjut dan dukungan monitoring.
