Application of data mining algorithms in the management of the broiler production

Miliano de Bastiani, José Airton Azevedo dos Santos, Carla Adriana Pizarro Schmidt, Gloria Patrícia Lopez Sepulveda

Resumo


Este trabalho tem por objetivo analisar a aplicação de algoritmos de mineração de dados para predição e classificação de variáveis produtivas que compõem as características das aves produzidas por uma cooperativa localizada na região oeste paranaense. A base de dados disponibilizada pela empresa apresenta um histórico de movimentação de 2 anos, contendo as principais variáveis de produção, desde o alojamento até a fase de abate. Três algoritmos de análise de dados, do software WEKA, foram utilizados na implementação dos modelos de predição e classificação. Para implementação dos modelos foram utilizados dados de 6000 lotes de aves das linhagens Coob e Coob Slow, obtidos do banco de dados da cooperativa, no período compreendido entre 01/07/2014 e 31/07/2016. Os resultados obtidos mostram que os modelos de predição fornecem estimativas confiáveis para as variáveis de resposta: Peso Médio e Índice de Eficiência Produtiva e o modelo de classificação apresenta um bom desempenho na classificação das linhagens das aves.


Palavras-chave


mineração de dados; WEKA; produção de aves

Texto completo:

PDF

Referências


AFROZ, F.; RAHMAN, R. M. Comparison of various classification techniques using different data mining tools for diabetes diagnosis. . Journal of Software Engineering and Applications, vol. 6, 85-97, 2013.

CANKURT, S.;SUBASI, A. Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering. 2015.

CERQUEIRA, P. H. R. Um estudo sobre o reconhecimento de padrões: um aprendizado supervisionado com classificador bayesiano. Dissertação de mestrado.Universidade de São Paulo. Piracicaba: 2010.

HAYKIN, S. Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall, 2005.

KARIM, M.; RAHMAN, R. M. Decision tree and Naive Bayes algoritm for classification and generation of actionable knowledge for direct marketing. Journal of Software Engineering and Applications, vol. 6, 196-206, 2013.

MARTINS, J. M. S.; TAVEIRA, R. Z.; HITZ, F. H.; SANTOS, M. P. Desempenho zootécnico de linhagens de frango de corte de crescimento rápido. PUBVET, vol. 6, 2012.

MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira, 2000.

PETERMANN, R. J.; VARGAS, F. L. Modelo de mineração de dados para classificação de clientes em telecomunicação. Dissertação de mestrado. Pontifícia Universidade Católica do Rio Grande do Sul. Porto Alegre: 2006.

REALI, E. H. Utilização de inteligência artificial - (Redes Neurais Artificiais) no gerenciamento da produção de frangos de corte. Dissertação de mestrado - Universidade Federal do Rio Grande do Sul. Porto Alegre: 2004.

SANTOS, R. B.; RUPP, M., BONZI, S. J.; FILETI, A. M. F. Comparision between multilayer feedforward neural networks and a radial basis function network to detect and locate leaks in pipelines transporting gás. Chemical Enginering Transactions. Vol. 32, 2013.

SEBASTIAN, S. Performance evaluation by artificial neural network using WEKA. International Research Journal of Engineering and Technology, vol. 3, 2016.

SHARMA, N. B. G.; BHARGAVA, R. MATHURIA, M. Decision tree analysis on j48 algoritm for data mining. International Journal of Advanced Research in Computer Science and Software Engineering, vol. 6, 2013.

SING, G. P.; KUMAR, R.; SHARMA, A. QSAR Studies of breast carcinoma using artificial neural network, bayesian classifier and multiple linear regression. International Research Journal of Engineering and Technology, vol. 4, 2017.

SOBRINHO, R. F. Competitividade na cadeia de valor da avicultura de corte. Dissertação de mestrado.UNIOESTE. Toledo: 2010.

UBA, União Brasileira de Avicultura. Protocolo de Boas Práticas de Produção de Frangos. São Paulo-SP, 2008.

WITTEN I. H.; FRANK E. Data mining: practical machine learning tools and techniques. San Francisco: Morgan Kaufmann, 2005.




DOI: https://doi.org/10.7198/geintec.v8i4.1275

Apontamentos

  • Não há apontamentos.


Direitos autorais 2018 Revista GEINTEC - Gestão, Inovação e Tecnologias

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - NãoComercial 4.0 Internacional.

__________________________________

ISSN: 2237-0722

A REVISTA GEINTEC possui D.O.I e está cadastrada nos sistemas:

Os trabalhos da Revista GEINTEC - Gestão, Inovação e Tecnologias de www.revistageintec.net está licenciado com uma Licença Creative Commons - Atribuição-NãoComercial 4.0 Internacional.

Licença Creative Commons

Associação Acadêmica de Propriedade Intelectual - Aracaju/SE. Universidade Federal de Sergipe. Cidade Universitária Prof. "José Aloísio de Campos" 

Av. Marechal Rondon, s/n Jardim Rosa Elze - Pólo de Pós-Graduação - Sala 8 - CEP 49100-000 - São Cristóvão/SE. [email protected]