Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi)
Sephia Ceren
Universitas Nusantara PGRI Kediri
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Kualitas Telur Ayam Berdasarkan Identifikasi Warna Cangkang Menggunakan MobileNetV2 Sephia Ceren; Made Ayu Dusea Widyadara; Daniel Swanjaya
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Vol. 10 No. 3 (2026): Prosiding Seminar Nasional Inovasi Teknologi Tahun 2026
Publisher : Universitas Nusantara PGRI Kediri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29407/yrhpk323

Abstract

Kualitas telur ayam merupakan salah satu faktor penting dalam menentukan nilai konsumsi dan kualitas distribusi produk pangan. Proses penilaian kualitas telur secara konvensional masih dilakukan secara manual sehingga memerlukan waktu, biaya, dan ketelitian yang tinggi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas telur ayam berbasis pengolahan citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset yang digunakan merupakan citra telur ayam yang diperoleh secara mandiri dan dikelompokkan ke dalam tiga kategori kualitas, yaitu tinggi, sedang, dan rendah. Masing-masing kelas terdiri dari 100 citra, kemudian dilakukan proses augmentasi sehingga total dataset menjadi 1800 citra. Tahapan penelitian meliputi pengumpulan dataset, preprocessing, augmentasi data, pelatihan model, serta evaluasi performa. Proses preprocessing dilakukan dengan resize citra menjadi 224×224 piksel dan normalisasi data agar sesuai dengan input MobileNetV2. Model dilatih menggunakan optimizer Adam dan fungsi loss sparse categorical crossentropy. Evaluasi model dilakukan menggunakan confusion matrix dan classification report. Berdasarkan hasil pengujian, arsitektur MobileNetV2 berhasil mencapai nilai akurasi akhir sebesar 98,10% dengan performa yang stabil dan seimbang dalam mengklasifikasikan seluruh tingkatan kualitas telur. Temuan ini membuktikan bahwa pendekatan deep learning non-destruktif berbasis identifikasi warna cangkang dapat diimplementasikan secara efektif untuk mendukung otomasi sortasi pada industri pangan.
Co-Authors Daniel Swanjaya Made Ayu Dusea Widyadara - Universitas Nusantara Kediri, Made Ayu Dusea Widyadara