Klasifikasi Kualitas Telur Ayam Berdasarkan Identifikasi Warna Cangkang Menggunakan MobileNetV2
DOI:
https://doi.org/10.29407/yrhpk323Abstract
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.
Keywords:
Kualitas Telur, MobileNetV2, Klasifikasi Citra, Pembelajaran Mendalam, Industri Pangan.##plugins.themes.default.displayStats.downloads##
References
[1] A. Agung Utomo, S. Mulyono, and U. Islam Sultan Agung, “Jurnal Rekayasa Sistem
Informasi dan Teknologi Volume 2, No 3-Februari 2025 e-ISSN : 3025-888X
PERBANDINGAN MOBILENETV2 DAN DENSENET121 PADA KLASIFIKASI
TERUMBU KARANG MENGGUNAKAN CONVOLUTIONAL NEURAL
NETWORK.” Accessed: Jun. 17, 2026. [Online]. Available:
https://doi.org/10.70248/jrsit.v2i3.1844
[2] K. Utama Putra, A. Ramadhanu, and S. Arlis, “Identifikasi Varietas Kopi Berdasarkan
Analisis Warna dan Tekstur Menggunakan Metode Convolutional Neural Network,”
Bulletin of Computer Science Research, vol. 5, no. 5, pp. 1188–1194, Aug. 2025, doi:
10.47065/bulletincsr.v5i5.759.
[3] R. Anugrah Hermawan, I. Taufik, and Y. A. Gerhana, “Klasifikasi Citra Ras Kucing
Berbasis CNN dengan Metode MobileNet-V2,” INTERNAL (Information System
Journal, vol. 8, no. 1, pp. 70–84, 2025, doi: 10.32627.
[4] M. H. Rizky Pratama, M. Akrom, A. P. Santosa, M. R. Rosyid, and L. Mawaddah,
“Klasifikasi Otomatis Korosi Menggunakan Convolutional Neural Network dan
Transfer Learning dengan Model MobileNetV2,” Jurnal Algoritma, vol. 22, no. 1, pp.
138–148, May 2025, doi: 10.33364/algoritma/v.22-1.2182.
[5] S. S. Rambe, A. Asriyanik, and P. Prajoko, “PENERAPAN MODEL
CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS MOBILENETV2
UNTUK KLASIFIKASI TINGKAT KESEGARAN IKAN NILA,” Jurnal Informatika
dan Teknik Elektro Terapan, vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6744.
[6] A. C. Hartono and A. R. Muslikh, “Penerapan Transfer Learning MobileNetV2 Pada
Klasifikasi Citra Jenis Buah-Buahan Applying MobileNetV2 Transfer Learning for
Image Classification of Fruit Types,” Journal of Information System and Application
Development, vol. 3, pp. 103–111, 2025, doi: 10.26905/jisad.v3i2.16187.
[7] Doly Ilham Saputra Huta Julu and Dewi Nurdiyah, “KLASIFIKASI SAMPAH
ORGANIK DAN NON ORGANIK MENGGUNAKAN TRANSFER LEARNING,”
Jurnal Transformatika, vol. 23, no. 1, pp. 12–29, Jul. 2025, doi:
10.26623/transformatika.v23i1.12201.
[8] F. Nurdiyansyah et al., “PENERAPAN CONVOLUTIONAL NEURAL NETWORK
UNTUK DETEKSI KUALITAS TELUR AYAM RAS BERDASARKAN WARNA
CANGKANG,” 2024. Accessed: Jun. 17, 2026. [Online]. Available:
https://doi.org/10.36040/mnemonic.v7i1.8767
[9] D. D. Parsaulian, N. Nainggolan, W. W. Kalengkonga, and E. Ketaren, “KLASIFIKASI
EMPAT TANAMAN OBAT MENGGUNAKAN ARSITEKTUR MOBILENETV2.”
Accessed: Jun. 17, 2026. [Online]. Available:
https://doi.org/10.51351/jtm.13.2.2024780
[10] A. C. Hartono and A. R. Muslikh, “Penerapan Transfer Learning MobileNetV2 Pada
Klasifikasi Citra Jenis Buah-Buahan Applying MobileNetV2 Transfer Learning for
Image Classification of Fruit Types,” Journal of Information System and Application
Development, vol. 3, pp. 103–111, 2025, doi: 10.26905/jisad.v3i2.16187.
[11] I. I. Khoirunnisa, A. Fadlil, and H. Yuliansyah, “Perbandingan Kinerja MobileNetV2 dan
VGG16 dalam Klasifikasi Penyakit pada Citra Daun Tanaman Cabai,” 2026. Accessed:
Jun. 17, 2026. [Online]. Available: https://doi.org/10.14421/jiska.5075
[12] N. Febrian Pujo Leksono, B. Adhi Kusuma, and A. Dwi Riyanto, “Klasifikasi Kultivar
Jambu Semarang Menggunakan MobileNetV2 dengan Pendekatan Transfer Learning,”
Jurnal Algoritma, vol. 23, no. 1, May 2026, doi: 10.33364/algoritma/v.23-1.3437.
[13] S. S. Rambe, A. Asriyanik, and P. Prajoko, “PENERAPAN MODEL
CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS MOBILENETV2
UNTUK KLASIFIKASI TINGKAT KESEGARAN IKAN NILA,” Jurnal Informatika
dan Teknik Elektro Terapan, vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6744.
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
