Kesehatan hewan

Memajukan kesehatan unggas: Peranan analisis prediktif dalam pencegahan penyakit

PDF

Untuk membaca lebih banyak konten dari AviNews September 2024

Conteúdo disponível em:
English

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).

poultry

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).

poultry

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.

Skala dan kompleksitas jenis data ini memerlukan sistem yang andal untuk memproses, memvalidasi, dan menggunakan semua informasi ini untuk kesimpulan yang cepat.

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).

poultry

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.

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).

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

MANFAAT DETEKSI DINI

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.

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. 

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. 

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).

poultry

Gambar 4. Ajuan solusi.

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

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.

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

SISTEM PELACAKAN UNGGAS

Evaluasi faktor perilaku (jenis aktivitas) dan fisik (kepincangan dan kesehatan) dalam kesejahteraan unggas sangat bergantung pada pelacakan unggas.

Zhuang dan Zhang (2019) telah menerapkan deteksi multiobjek dalam deteksi ayam pedaging yang tidak sehat, yang baru-baru ini menarik perhatian secara signifikan.

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.

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.

KESIMPULAN

BERGABUNGLAH DENGAN KOMUNITAS UNGGAS KAMI

Akses ke artikel dalam PDF
Terus ikuti buletin kami
Dapatkan majalah dalam versi digital secara gratis

TEMUKAN
AgriFM - Podcast sektor peternakan dalam bahasa Spanyol
agriCalendar - Kalender acara di dunia peternakanagriCalendar
agrinewsCampus - Kursus pelatihan untuk sektor peternakan