Prediksi berat telur berbasis citra merupakan pendekatan modern yang mampu meningkatkan efisiensi operasional di industri peternakan, khususnya dalam proses sortasi dan penimbangan telur. Penelitian ini bertujuan mengembangkan sistem prediksi berat telur secara otomatis dengan menggabungkan metode Mask r-cnn untuk segmentasi objek citra, Random Forest untuk klasifikasi jenis telur, dan Xgboost untuk regresi. Dataset yang digunakan merupakan data primer berupa 720 gambar telur ayam dan telur bebek yang diambil dari berbagai sudut rotasi (setiap 10°) serta dilengkapi data berat aktual menggunakan timbangan digital. Pelabelan dilakukan secara manual menggunakan LabelMe dan dikonversi ke format COCO untuk pelatihan model. Fitur yang diekstraksi dari hasil segmentasi meliputi fitur morfologi (width, height, area_bbox, aspect_ratio, cx, cy, diagonal_length, mask_area, mask_perimeter, extent, solidity, eccentricity, elongation, compactness, circularity, equivalent_diameter, hull_perimeter), tujuh Hu moments (Hu1 hingga Hu7), serta fitur warna dari ruang HSV dan RGB (mean_h, mean_s, mean_v, std_h, std_s, std_v, mean_r, mean_g, mean_b, std_r, std_g, std_b). Algoritma Random Forest yang dilatih dengan fitur warna berhasil mengklasifikasi jenis telur dengan akurasi 100%, dan hasil klasifikasi digunakan sebagai fitur tambahan pada model Xgboost. Evaluasi awal Xgboost menggunakan seluruh fitur menghasilkan MAE 0,30, RMSE 0,64, MAPE 0,49%, dan R² 0,9314. Berdasarkan analisis feature importance, seleksi fitur dengan nilai gain > 0 menghasilkan konfigurasi optimal pada 30 fitur dengan R² meningkat menjadi 0,9319 dan metrik error tetap terjaga, sedangkan pengurangan fitur lebih lanjut menjadi 15, 10, dan 5 fitur justru menurunkan kinerja model. Sistem ini juga berhasil diimplementasikan untuk prediksi berat telur secara real-time menggunakan kamera (webcam).
Image-based egg weight prediction is a modern approach that can enhance operational efficiency in the poultry industry, particularly in sorting and weighing processes. This study aims to develop an automatic egg weight estimation system by integrating Mask R-CNN for image segmentation, Random Forest for egg type classification, and XGBoost for regression. The dataset consists of 720 images of chicken and duck eggs captured at 10° rotation intervals, accompanied by actual weight measurements using a digital scale. Annotation was performed manually with LabelMe and converted into COCO format for model training. Features extracted from segmentation include morphological descriptors (width, height, area_bbox, aspect_ratio, cx, cy, diagonal_length, mask_area, mask_perimeter, extent, solidity, eccentricity, elongation, compactness, circularity, equivalent_diameter, hull_perimeter), seven Hu moments (Hu1–Hu7), and color features from HSV and RGB spaces (mean_h, mean_s, mean_v, std_h, std_s, std_v, mean_r, mean_g, mean_b, std_r, std_g, std_b). Random Forest trained on color features achieved 100% accuracy in classifying egg types, with classification results used as additional inputs for XGBoost. Initial evaluation of XGBoost with all features achieved MAE 0.30, RMSE 0.64, MAPE 0.49%, and R² 0.9314. Feature selection based on gain values > 0 produced an optimal set of 30 features, increasing R² to 0.9319 while maintaining error metrics. Further reduction to 15, 10, or 5 features decreased model performance. The system was also successfully implemented for real-time egg weight estimation using a webcam.
