OOVALE: Sistem Sortasi Real-Time Keretakan Telur Ayam Ras dengan Integrasi Database
DOI:
https://doi.org/10.25181/inductor.v1i1.4757Keywords:
Egg Sorting, Artificial Intelligence, MobileNetV2, Image Processing, Internet of ThingsAbstract
Proses sortasi telur ayam ras merupakan tahapan penting dalam industri peternakan dan
pangan karena berpengaruh langsung terhadap kualitas, keamanan, dan nilai ekonomis produk.
Namun, sortasi yang masih dilakukan secara manual menimbulkan keterbatasan efisiensi,
ketidakkonsistenan hasil, serta potensi kesalahan manusia, terutama dalam mendeteksi
keretakan halus pada cangkang telur. Oleh karena itu, penelitian ini mengembangkan sistem
sortasi telur ayam ras berbasis kecerdasan buatan yang mampu mendeteksi keretakan secara
real time dan terintegrasi dengan database untuk meningkatkan akurasi dan keandalan proses
sortasi. Kontribusi penelitian ini adalah perancangan dan implementasi sistem sortasi berbasis
perangkat edge yang menggabungkan pengolahan citra digital, model deep learning
MobileNetV2, serta integrasi Internet of Things dan database untuk pencatatan hasil sortasi
secara otomatis. Metode penelitian menggunakan pendekatan Research and Development yang
meliputi perancangan sistem, pengumpulan dan pelabelan dataset citra telur ayam ras, pelatihan
dan optimasi model MobileNetV2, serta integrasi perangkat keras dan perangkat lunak.
Pengujian dilakukan secara langsung pada sistem real time untuk mengevaluasi performa
klasifikasi dan kinerja sistem. Hasil pengujian menunjukkan sistem mampu mengklasifikasikan
telur ayam ras ke dalam kategori utuh dan retak dengan akurasi 96,07%, serta nilai presisi,
recall, dan F1-score masing-masing sebesar 98%. Sistem beroperasi secara real time dengan
kecepatan rata-rata 29,38 frame per second dan waktu inferensi 35,92 milidetik. Integrasi
database memungkinkan penyimpanan data terpusat dan pemantauan daring, sehingga sistem
layak diterapkan pada industri peternakan modern.
Downloads
References
M. F. A. Pratama, A. L. Prasasti, and M. W. Paryasto, “Klasifikasi Ukuran dan Kualitas Telur Ayam Menggunakan Algoritma Convolutional Neural Network Classification of Chicken Egg Quality and Size Using the Convolutional Neural Network Algorithm,” e-Proceeding Eng., vol. 10, no. 1, pp. 473–480, 2023.
H. K. Putri, B. H. Iswanto, and H. Suhendar, “Ayam Menggunakan Efficientnet Berbasis Citra Digital,” vol. XIII, pp. 93–101, 2024.
N. IBRAHIM, S. SA’IDAH, B. HIDAYAT, and S. DARANA, “Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 2, p. 297, 2022, doi: 10.26760/elkomika.v10i2.297.
R. Fajri and F. Fitria, “KLIK: Kajian Ilmiah Informatika dan Komputer Pengembangan Real-Time Object Detection System pada Perangkat Single-Board Computer,” Media Online), vol. 4, no. 2, pp. 1154–1162, 2023, doi: 10.30865/klik.v4i2.1224.
H. Shah and T. R. Soomro, “Node . js Challenges in Implementation NodeJsChallengesinImplementation,” Glob. J. Comput. Sci. Technol. E Network, Network, Web Secur., vol. 17, no. 2, pp. 73–83, 2020.
et al. Santoso, B., “Penggunaan PHPMyAdmin dalam Pengelolaan Database MySQL,” J. Teknol. Inf., vol. Vol 1 No 2, no. 2, pp. 13(2), 45–56, 2022.
Adawiyah Ritonga and Yahfizham Yahfizham, “Studi Literatur Perbandingan Bahasa Pemrograman C++ dan Bahasa Pemrograman Python pada Algoritma Pemrograman,” J. Tek. Inform. dan Teknol. Inf., vol. 3, no. 3, pp. 56–63, 2023, doi: 10.55606/jutiti.v3i3.2863.
P. Setiaji, K. Adi, and B. Surarso, “Development of Classification Method for Determining Chicken Egg Quality Using GLCM-CNN Method,” Ing. des Syst. d’Information, vol. 29, no. 2, pp. 397–407, 2024, doi: 10.18280/isi.290201.
A. Gandhi, D. S. Kusumo, and I. L. Sardi, “Lokakarya Etika Profesi dan Kerahasiaan Data pada Proyek Perangkat Lunak: Studi Kasus PT Neuronworks,” Bubungan Tinggi J. Pengabdi. Masy., vol. 5, no. 4, p. 1510, Nov. 2023, doi: 10.20527/btjpm.v5i4.9387.
A. P. P Prasetyo, M. Irfansyah, K. Exaudi, and T. Wanda Septian, “Sistem Pemilah Sampah Organik Berbasis Raspberry Pi Menggunakan Klasifikasi CNN,” J. Sisfotenika, vol. 13, no. 1, pp. 76–90, 2023, [Online]. Available: http://sisfotenika.stmikpontianak.ac.id/index.php/ST
D. Khan, M. Waqas, M. Tahir, S. U. Islam, and M. Amin, “Revolutionizing Real-Time Object Detection : YOLO and MobileNet SSD Revolutionizing Real-Time Object Detection : YOLO and MobileNet SSD IntegrationKhan, D., Waqas, M., Tahir, M., Islam, S. U., & Amin, M. (2023). Revolutionizing Real-Time Object Detection ,” jcbi.orgD Khan, M Waqas, M Tahir, SU Islam. M Amin. A Ishtiaq, L JanJournal Comput. Biomed. Informatics, 2023•jcbi.org, vol. 06, no. February 2024, 2023, [Online]. Available: https://www.jcbi.org/index.php/Main/article/view/266
J. W. Jolles, “Broad-scale applications of the Raspberry Pi: A review and guide for biologists,” Methods Ecol. Evol., vol. 12, no. 9, pp. 1562–1579, 2021, doi: 10.1111/2041-210X.13652.
J. A. J. Alsayaydeh, T. L. C. Jie, R. Bacarra, B. Ogunshola, and N. M. Yaacob, “Handwritten text recognition system using Raspberry Pi with OpenCV TensorFlow,” Int. J. Electr. Comput. Eng., vol. 15, no. 2, p. 2291, 2025, doi: 10.11591/ijece.v15i2.pp2291-2303.
M. Rybczak and K. Kozakiewicz, “Deep Machine Learning of MobileNet, Efficient, and Inception Models,” Algorithms, vol. 17, no. 3, 2024, doi: 10.3390/a17030096.
F. Nurdiyansyah et al., “Penerapan Convolutional Neural Network Untuk Deteksi,” vol. 7, no. 1, pp. 40–47, 2024.
