<![CDATA[Penilaian mutu telur ayam petelur umumnya masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan hasil, sementara kebutuhan akan proses grading yang cepat dan akurat semakin meningkat. Penelitian ini dilakukan untuk mengembangkan model klasifikasi mutu telur berbasis warna dan bentuk kerabang dengan memanfaatkan algoritma YOLOv8 dan Convolutional Neural Network (CNN). Data dikumpulkan dari peternak lokal di Kabupaten Manokwari menggunakan metode Stratified Random Sampling dan menghasilkan 957 citra telur yang diberi label berdasarkan pedoman SNI 3926:2023. Proses preprocessing meliputi penyesuaian ukuran citra menjadi 640×640 piksel, normalisasi, serta augmentasi variasi pencahayaan dan sudut. YOLOv8 digunakan untuk mendeteksi posisi telur, sementara EfficientNet-B0 sebagai CNN digunakan untuk klasifikasi tiga tingkat mutu telur. Hasil penelitian menunjukkan bahwa YOLOv8 mampu mendeteksi objek dengan performa sangat baik dengan nilai mAP@0.5 sebesar 0.980, precision 0.97, dan recall 0.95, sedangkan model CNN mencapai akurasi validasi 91.9% dengan performa stabil pada seluruh kelas. Integrasi kedua model menghasilkan sistem yang mampu bekerja secara real-time dengan kecepatan 20–35 FPS dan dapat menghitung jumlah telur per grade secara otomatis. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kombinasi YOLOv8 dan CNN mampu memberikan solusi yang cukup akurat untuk proses grading telur ayam petelur serta berpotensi diterapkan pada sistem sortasi pascapanen skala produksi.]]>
Copyrights © 2026
