Building of Informatics, Technology and Science (BITS) Volume 4, No 3, Desember 2022 Page: 1530−1535 ISSN 2684-8910 (media cetak) ISSN 2685-3310 (media online) DOI 10.47065/bits.v4i3.2609 Copyright © 2022 Nicolaus Euclides Wahyu Nugroho, Page 1530 This Journal is licensed under a Creative Commons Attribution 4.0 International License Pendekatan Algoritma Tree dalam Prediksi Populasi pada Smart Poultry Nicolaus Euclides Wahyu Nugroho 1 , Nur Ghaniaviyanto Ramadhan 2 , Merlinda Wibowo 3 , Sigit Pramono 4,* 1,3 Fakultas Informatika, Informatika, Institut Teknologi Telkom Purwokerto, Indonesia 2 Fakultas Informatika, Rekayasa Perangkat Lunak, Institut Teknologi Telkom Purwokerto, Indonesia 4 Fakultas Teknik Telekomunikasi dan Elektro, Teknik Telekomunikasi, Institut Teknologi Telkom Purwokerto, Indonesia Email: 1 nico@ittelkom-pwt.ac.id, 2 ghani@ittelkom-pwt.ac.id, 3 merlinda@ittelkom-pwt.ac.id, 4,* sigit@ittelkom-pwt.ac.id Email Penulis Korespondensi: sigit@ittelkom-pwt.ac.id Submitted: 01/12/2022; Accepted: 24/12/2022; Published: 30/12/2022 Abstrak−Sistem cerdas dalam monitoring unggas di dalam kandang saat ini sedang mengalami trend meningkat di beberapa penelitian. Monitoring unggas sangat penting dilakukan di dalam kandang supaya dapat mengetahui kondisi ayam dan lingkungan di kandang. Kondisi yang dapat dipantau antara lain berat ayam, ketersediaan air apakah cukup atau tidak dalam sehari, kadar CO2 di dalam kandang, temperature udara dan kelembapan udara di kandang. Saat ini beberapa penelitian telah melakukan studi tentang monitoring kandang unggas menggunakan sensor-sensor berbasis IoT. Akan tetapi saat ini belum ada yang melakukan prediksi terkait populasi unggas untuk esok hari. Penelitian ini bertujuan untuk melakukan prediksi jumlah populasi unggas di dalam kandang berdasarkan parameter terkait. Metode prediksi yang digunakan penelitian ini yaitu decision tree dan Support Vector Machine (SVM) untuk melihat metode prediksi mana yang lebih baik. Teknik evaluasi hasil yang digunakan penelitian ini yaitu Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolut Error (MAE), dan R 2 . Hasil eksperimen menunjukkan bahwa dengan menggunakan metode decision tree hasil MSE 61987.202, RMSE 248.972, MAE 85.086, dan R 2 0.969. Secara keseluruhan hasil metode decision tree lebih unggul dibandingkan SVM. Kata Kunci: IoT; Decision Tree; Smart Poultry; Prediction; RMSE Abstract− Intelligent systems for monitoring poultry in kennels are experiencing an increasing trend in several studies. Monitoring poultry is very important in the cage so that you can find out the chickens' condition and environment in the cage. Conditions that can be monitored include the weight of the chickens, whether or not there is enough water in a day, CO2 levels in the cages, air temperature, and humidity in the cages. Several studies have been conducted studies on monitoring poultry cages using IoT-based sensors. However, people have yet to predict the poultry population for tomorrow. So this study aims to predict the number of poultry populations in kennels based on related parameters. The prediction method used in this research is a decision tree and Support Vector Machine (SVM) to see which prediction method is better. The results evaluation techniques used in this study are Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and R2. The experimental results show that using the decision tree method, and the results are MSE 61987.202, RMSE 248.972, MAE 85.086, and R2 0.969. Overall the results of the decision tree method are superior to SVM. Keywords: IoT; Decision Tree; Smart Poultry; Prediction; RMSE 1. PENDAHULUAN Smart poultry merupakan perkembangan teknologi saat ini untuk monitoring unggas seperti ayam di dalam kandang [1]. Bahkan menjelang tahun 2050, permintaan global akan daging unggas akan menjadi lebih dari dua kali lipat dibandingkan tahun 2005, dan permintaan telur ayam akan meningkat hampir 40% [2]. Permintaan telur ayam yang meningkat tersebut dapat menimbulkan persaingan di dunia peternakan unggas [3]. Berdasarkan hal tersebut, sehingga saat ini monitoring unggas dilakukan oleh beberapa peneliti dengan menggunakan sensor-sensor berbasis Internet of Things (IoT) untuk dapat melakukan control suhu kandang unggas ataupun prediksi berat dan populasi unggas. Pemantauan unggas di kandang dalam bidang peternakan penting dilakukan untuk memastikan permintaan pasar terpenuhi terkait telur ataupun ayam. Hal yang tidak diharapkan seperti ayam menjadi susah dicari dan telur menjadi sangat mahal tentu akan sangat berdampak bagi konsumsi protein masyarakat. Saat ini penelitian terkait monitoring unggas sudah banyak dilakukan, seperti yang dilakukan oleh Astill, et al membahas tentang precision livestock farming (PLF) dengan menggunakan IoT dan big data [4]. Akhund, et al melakukan tujuan untuk membuat sistem peternakan unggas pintar berbasis IoT, yang dimana power supply dikembangkan dengan menggunakan energi terbarukan terutama dengan energi surya dan nanohidro [5]. Peneliti Bumanis, et al melakukan cyber-physical model diusulkan sebagai dasar untuk pengembangan sistem manajemen peternakan unggas pintar yang dapat disesuaikan dengan kebutuhan produksi tertentu, beberapa sensor CO2 (karbon dioksida) dan NH3 (amonia) dipasang untuk mengumpulkan data [6]. Corkery, et al memberikan ikhtisar pemantauan dan teknologi sensor kinerja dalam produksi unggas. Parameter lingkungan kritis yang relevan dengan produksi unggas antara lain suhu udara, kelembaban relatif, cahaya, kecepatan udara dan kualitas udara (khususnya konsentrasi CO2 dan NH3) [7]. Ada juga penelitian yang dilakukan terkait analisa pengaruh pertumbuhan maupun berat unggas dalam kaitannya dengan daun bubuk Moringa oliefera dan azadirachta indica [8]. Bahkan ada study yang secara khusus menerapkan smart poultry berbasis IoT pada sebuah negara yaitu Brunei [9]. Study lain menganalisis menggunakan aplikasi berbasis machine learning yaitu support vector machine (SVM) dalam melakukan prediksi pertumbuhan dan Kesehatan ayam dan kemampuan algoritma machine learning untuk mengatasi input data yang tinggi dan non-linear