<![CDATA[Industri perunggasan merupakan sektor strategis dalam penyediaan protein hewani, namun penentuan jenis kelamin ayam secara konvensional melalui vent sexing dan feather sexing baru dapat dilakukan setelah telur menetas, membutuhkan tenaga ahli, dan rentan terhadap kesalahan, sedangkan pengujian genetik berbiaya mahal. Penelitian ini mengembangkan sistem klasifikasi jenis kelamin telur ayam secara non-invasif berbasis citra digital menggunakan EfficientNet-Lite sebagai metode ekstraksi fitur yang dikombinasikan dengan algoritma machine learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Decision Tree, Random Forest, dan XGBoost. Kinerja sistem dievaluasi menggunakan confusion matrix yang meliputi accuracy, precision, recall, dan F1-score serta nilai efisiensi, kemudian model terbaik diimplementasikan pada aplikasi mobile Android. Hasil pengujian menunjukkan kombinasi EfficientNet-Lite0 dengan Random Forest memperoleh akurasi tertinggi 67,57% dengan F1-score 67,42%. Setelah diimplementasikan, sistem mengklasifikasikan 10 dari 16 citra uji dengan benar (akurasi 62,50%), dengan selisih hanya 5,07% terhadap pengujian tahap notebook, membuktikan kombinasi deep feature extraction EfficientNet-Lite dan machine learning dapat diimplementasikan secara real-time pada perangkat Android.]]>
Copyrights © 2026
