Algoritmo de aprendizaje automático para determinar el modelo de predicción para la producción de

huevos de gallinas ponedoras en Sumatra

Los huevos son uno de los productos básicos del ganado que hacen una gran contribución al suministro
de huevos como necesidad de la comunidad. Por lo tanto, es necesario predecir la producción de
gallinas ponedoras en el futuro para que en el futuro la necesidad de huevos en Indonesia sea estable y
pueda satisfacer las demandas del pueblo indonesio.

Este estudio no discute los resultados de la predicción, pero discutirá la capacidad del algoritmo de
aprendizaje automático para hacer predicciones basadas en el conjunto de datos de producción de
huevos de gallinas ponedoras obtenidos de la Agencia Central de Estadísticas.

Los datos de investigación utilizados son datos sobre la producción de gallinas ponedoras en Sumatra de
2015 a 2020. Con base en estos datos, se determinarán los modelos de arquitectura de red, incluidos 4-
5-1, 4-10-1, 4-15-1, 4-20-1 y 4-25-1. De los cinco modelos primero se realizó entrenamiento y pruebas
para luego obtener los resultados que el mejor modelo arquitectónico fue el 4-25-1 con 0.03144841, el
más bajo entre los otros 4 modelos. Por lo que se puede concluir que el modelo se puede utilizar para
predecir la producción de huevos de las gallinas ponedoras.

1. INTRODUCCIÓN

El huevo es una de las fuentes de nutrición y proteína que necesita el organismo [1] Los huevos también
son conocidos como alimentos que tienen un alto contenido nutricional a precios relativamente bajos
en comparación con otras fuentes de proteína y son muy fáciles de obtener porque están siempre
disponibles [2] [3][ 4] Los nutrientes tales como proteínas, grasas, vitaminas y minerales que son
necesarios para los humanos están contenidos en los huevos [5]. El aumento del consumo de huevos
debe ir acompañado de una mayor producción. El aumento de la productividad del ganado puede hacer
que aumente la producción de huevos. La calidad del huevo se puede ver en la duración del
almacenamiento, cuanto más tiempo se almacenen los huevos, la calidad de los huevos disminuirá.
Producción de huevos para el consumo en el El proceso todavía se realiza manualmente y en el proceso
pueden ocurrir grietas en las cáscaras de los huevos en los huevos recién producidos. Las cáscaras
intactas son el criterio de calidad más importante y son muy importantes para la industria del huevo y
los consumidores. La calidad de los huevos producidos está influenciada por el agrietamiento. de la
cáscara del huevo. Los microbios patógenos contaminan fácilmente el contenido del huevo si la cáscara
se agrieta. También se obtienen pérdidas económicas cuando hay grietas en el huevo porque afecta en
gran medida la incubabilidad.

La predicción de los huevos de gallinas ponedoras se lleva a cabo para determinar la estabilidad del
huevo. producción y la necesidad de la comunidad en el futuro. El algoritmo de aprendizaje automático
es uno de los métodos de redes neuronales artificiales que se usa a menudo para predecir datos [6]. Sin
embargo, los resultados de las futuras predicciones de huevos no se discutirán en este documento, pero
se discutirá la capacidad de los algoritmos de aprendizaje automático para hacer predicciones basadas
en conjuntos de datos de huevos obtenidos de la Agencia Central de Estadísticas. Basado en modelos
arquitectónicos y parámetros que se han determinado, este documento examinará la precisión u
optimización del algoritmo de aprendizaje automático de Polak-Ribiere. La grasa en los huevos es grasa
no saturada, aunque todavía hay colesterol bueno y malo [7]. También encontrar esto mucho. Considere
que los huevos son muy importantes. "El gobierno continúa esforzándose para que la seguridad
alimentaria, especialmente la que proviene de la producción nacional, siempre aumente. Después de
conocer el creciente número de personas en Indonesia y la población en general. Desde 2012 hasta
2019, se sabe que la producción de huevos en Indonesia siempre aumenta. Gallinas ponedoras en
Sumatra Este conjunto de datos se utiliza para ayudar a probar y medir el rendimiento del algoritmo.
Para resolver el problema de predicción de huevos de gallinas ponedoras se buscarán los mejores
resultados a partir de la optimización de la precisión y rendimiento de medición del algoritmo que es
objeto de este estudio.

2. METODOLOGÍA DE LA INVESTIGACIÓN

2.1. Recopilación de datos

La recopilación de datos en este estudio utilizó métodos cuantitativos, a saber, datos sobre gallinas
ponedoras en Sumatra en 2015-2020 que consisten en Aceh, Sumatra del Norte, Sumatra Occidental,
Riau, Jambi, Sumatra del Sur, Bengkulu, Lampung, Islas Bangka Belitung, Islas Riau.

2.2 Flujo de investigación

Las etapas que lleva a cabo esta investigación se pueden observar en la Figura 1 Figura 1. Flujo de
investigación Con base en la Figura 1 se puede explicar que el primer paso que se da desde la etapa de
investigación es recolectar conjuntos de datos de investigación (Con base en la tabla 1) .

El siguiente paso separa los conjuntos de datos de investigación en 2 grupos, a saber, para
entrenamiento y prueba de datos.

El siguiente paso es normalizar los datos de entrenamiento y prueba usando la fórmula (1)[8][9][10].
(1)Donde: X' es el resultado de los datos normalizados, 0.8 y 0.1 son los valores predeterminados de la
fórmula de normalización, X son los datos que se van a normalizar, b es el valor más bajo del conjunto
de datos y a es el valor más alto del conjunto de datos. Además, los datos de entrenamiento
normalizados se ingresan en la aplicación Matlab 2011b para su procesamiento, seguido de la creación
de una red neuronal multicapa (ingreso de datos de entrenamiento). Lo siguiente es la aplicación de
algoritmos de Machine Learning. La creación de esta red neuronal multicapa utiliza las funciones tansig y
logsig. El siguiente paso es inicializar los parámetros de la red en función de la función de entrenamiento
utilizada (traincgp). Luego ingrese el comando para realizar el proceso de capacitación y ver los
resultados cuando se encuentre el rendimiento. Si los resultados del entrenamiento alcanzan la
convergencia, continuará ingresando los datos de prueba normalizados. Pero si los resultados del
entrenamiento no han alcanzado la convergencia, regrese a la etapa de inicialización de los parámetros
de la red. La siguiente etapa es seguida por la simulación de datos de prueba basados en los resultados
del entrenamiento. Si se ha hecho todo, la etapa final es evaluar para ver el mejor modelo
arquitectónico basado en la prueba de Rendimiento/MSE más baja (más pequeña).3.

RESULTADOS Y DISCUSIÓN

3.1. Separación de datos de entrenamiento y prueba

El paso inicial que se toma después de que el conjunto de datos de investigación está disponible es
dividir los datos en 2 partes (datos de entrenamiento y datos de prueba). Según la tabla 1, los datos de
capacitación utilizan 2015-2018 como entrada y 2019 como objetivo (salida). En cuanto a los datos de
prueba utilizando 2016 - 2019 como datos de entrada y 2020 como objetivo (salida).

3.2 Resultados de normalización

Los datos que se han dividido en dos son datos de entrenamiento y datos de prueba, luego se
normalizaron usando la ecuación (1) que se discutió anteriormente

3.3 .Entrenamiento y Pruebas

Una vez completada la fase de normalización, el siguiente paso es determinar el modelo arquitectónico
y entrenarlo usando el algoritmo Polak-Ribiere con la ayuda de la aplicación Matlab 2011b. Los modelos
utilizados son 4-5-1 (4 entradas, 5 neuronas de capa oculta, 1 salida), 4-10-1 (4 entradas, 10 neuronas de
capa oculta, 1 salida), 4-15-1 (4 entradas, 5 neuronas) capa oculta, 1 salida), 4-20-1 (4 entradas, 5
neuronas capa oculta, 1 salida), 4-25-1 (4 entradas, 5 neuronas capa oculta, 1 salida). Mientras que los
parámetros del algoritmo de Polak-Ribiere utilizado se pueden ver en la Figura 2

3.3.1.Modelo 4-5-1

Los resultados del entrenamiento con el modelo arquitectónico 4-5-1 se pueden ver en la Figura 3. Los
resultados del entrenamiento con este modelo producen épocas de 206 iteraciones. Para la tabla de
entrenamiento y pruebas, consulte la Tabla 4 y la Tabla 5.

3.3.2.Los resultados del entrenamiento del modelo 3-10-1 usando el modelo arquitectónico 3-10-1 se
pueden ver en la Figura 4. Los resultados del entrenamiento usando este modelo producen 118
iteraciones de épocas

3.3.3 Modelo 4-15-1 Los resultados del entrenamiento usando el modelo arquitectónico 4-10-1 se
pueden ver en la Figura 5. Los resultados del entrenamiento usando este modelo producen épocas de
298 iteraciones.
3.3.4 Modelo 4-20-1 Los resultados del entrenamiento usando el modelo arquitectónico 4-20-1 se
pueden ver en la Figura 6. Los resultados del entrenamiento usando este modelo producen 240
iteraciones de epoca.

3.3.5 Modelo 4-25-1 Los resultados del entrenamiento usando el modelo arquitectónico 4-25-1 se
pueden ver en la Figura 7. Los resultados del entrenamiento usando este modelo resultaron en 280
iteraciones de épocas.

3.4 Evaluación Después del entrenamiento y las pruebas de datos se realizaron en las arquitecturas 4-5-
1, 4-10-1, 4-15-1, 4-20-1 y 4-25-1 utilizando herramientas de Matlab y Microsoft Excel, el modelo obtuvo
la mejor arquitectura 4-25-1 con el valor de prueba de Rendimiento/MSE más bajo de 0.03144841.

4. CONCLUSIÓN

En base a los resultados y discusión, se concluye que el Algoritmo de Polak-Ribiere con modelo
arquitectónico 4-25-1 puede ser utilizado o usado para predecir la producción de gallinas ponedoras en
Sumatra, debido a que el tiempo de entrenamiento para lograr la convergencia es no demasiado largo y
el rendimiento resultante es bastante bueno en comparación con otros cuatro modelos arquitectónicos.
Y, en general, también se puede concluir que el algoritmo de Polak-Ribiere (traincgp) es capaz de
producir un buen y buen nivel de optimización, es decir, producir un (bajo ) Valor de prueba de
rendimiento/MSE, tiempo para lograr la convergencia e iteración relativamente rápida.