Implementasi Arsitektur ResNet50 pada Aplikasi Klasifikasi Tingkat Kesegaran Daging Sapi Berbasis Citra Digital
DOI:
https://doi.org/10.29407/snna8750Abstract
Kesegaran daging sapi merupakan faktor penting yang memengaruhi kualitas dan keamanan pangan. Penilaian tingkat kesegaran daging sapi umumnya masih dilakukan secara manual melalui pengamatan visual sehingga berpotensi menghasilkan penilaian yang subjektif. Penelitian ini bertujuan untuk mengembangkan aplikasi klasifikasi tingkat kesegaran daging sapi berbasis citra digital menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Dataset yang digunakan diperoleh dari platform Roboflow dan terdiri dari tiga kategori, yaitu segar, kurang segar, dan tidak segar. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, pembagian dataset, pelatihan model, evaluasi model, dan implementasi aplikasi. Model ResNet50 diterapkan menggunakan pendekatan transfer learning dan fine tuning untuk meningkatkan kemampuan ekstraksi fitur citra. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi sebesar 99,79% dengan nilai precision, recall, dan F1-score yang mendekati 1,00. Pengujian aplikasi menggunakan 60 citra data nyata menunjukkan bahwa sistem berhasil mengklasifikasikan 35 citra dengan benar dan memperoleh tingkat keberhasilan sebesar 58,33%. Selain itu, model ResNet50 berhasil diimplementasikan ke dalam aplikasi berbasis web sehingga dapat digunakan untuk membantu proses identifikasi tingkat kesegaran daging sapi secara otomatis dan objektif. Aplikasi yang dikembangkan diharapkan dapat menjadi alat bantu dalam penilaian kesegaran daging sapi secara lebih cepat dan efisien.
Keywords:
CNN, daging sapi, klasifikasi citra, ResNet50, kesegaran##plugins.themes.default.displayStats.downloads##
References
[1] W. I. Sabilla, M. A. P. Perkasa, and D. W. Wibowo, "Sistem Pendeteksi Kualitas Daging Segar dengan Metode Naive Bayes," Jurnal Informatika Polinema, vol. 10, no. 2, pp. 279-284, 2024, doi: 10.33795/jip.v10i2.5006.
[2] M. Faisal Riftiarrasyid, D. Arif Setyawan, and H. Maulana, "Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Gray Level Cooccurrence Matrix dan DNN," Jurnal Ilmiah Teknologi Informasi dan Robotika, vol. 3, no. 2, pp. 34-38, 2021, doi: 10.33005/jifti.v3i2.65.
[3] C. N. Sahera, Y. Rahmawati, and R. Dijaya, "Optimasi Penerapan Algoritma Convolution Neural Network Dalam Klasifikasi Tingkat Kesegaran Daging Sapi," Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 7, no. 1, p. 1, 2024, doi: 10.37600/tekinkom.v7i1.1122.
[4] N. Kharisma and D. Avianto, "Implementasi Convolutional Neural Network Untuk Klasifikasi Kesegaran Daging Sapi Dengan Variasi Tingkat Pencahayaan Dan Penskalaan," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 6, pp. 10488-10496, 2025, doi: 10.36040/jati.v9i6.16505.
[5] L. Maramis, I. Nurtanio, and H. Zainuddin, "Klasifikasi Sapi Perah dan Non-Perah Menggunakan Algoritma Convolutional Neural Network," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 2, pp. 664-674, 2025, doi: 10.57152/malcom.v5i2.1824.
[6] Al-Jabbar H.M., Fitriyah H., and Maulana R., "Sistem Klasifikasi Kesegaran Daging Sapi Berdasarkan Citra Menggunakan Metode Naive Bayes Berbasis Rasberry Pi," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 4, pp. 1646-1653, 2021.
[7] A. Yudhana, E. P. Silmina, and Sunardi, "Deteksi Kesegaran Daging Sapi Menggunakan Augmentasi Data Mosaic pada Model YOLOv5sM," JRST (Jurnal Riset Sains dan Teknologi), vol. 9, no. 1, pp. 63-71, 2025, doi: 10.30595/jrst.v9i1.24990.
[8] Q. S. A. Wasilah, Martanto, A. R. Dikananda, and D. Rohman, "Implementasi Cnn Resnet50 Untuk Mendeteksi Kualitas," vol. 9, no. 3, pp. 3675-3682, 2025.
[9] L. Malikhah et al., "PENERAPAN CONVOLUTIONAL NEURAL NETWORK (CNN) ARSITEKTUR ALEXNET DAN VGG-16 DALAM KLASIFIKASI," vol. 17, no. 1, pp. 261-275, 2026.
[10] S. Prayoga, D. P. Pamungkas, and D. W. Widodo, "Penerapan Arsitektur Residual Network (ResNet-50) Pada Klasifikasi Citra Lovebird," vol. 9, pp. 2038-2045, 2025.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
