RISTANTO, CHARISMA BAYU and Nurul, Hayaty and Nolan, Efranda (2026) PENERAPAN MOBILENETV2 UNTUK KLASIFIKASI CITRA TEMPE DALAM MENILAI KELAYAKAN JUAL PADA USAHA PRODUKSI RUMAHAN. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) CHARISMA_BAYU_RISTANTO_2101020055_Teknik Elektro dan Informatika - Cover.pdf - Published Version Download (754kB)
	Text (Abstrak) CHARISMA_BAYU_RISTANTO_2101020055_Teknik Elektro dan Informatika - Abstrak.pdf - Published Version Download (180kB)
	Text (BAB I) CHARISMA_BAYU_RISTANTO_2101020055_Teknik Elektro dan Informatika - BAB I.pdf - Published Version Download (199kB)
	Text (Daftar Pustaka) CHARISMA_BAYU_RISTANTO_2101020055_Teknik Elektro dan Informatika - Daftar Pustaka.pdf - Published Version Download (184kB)
	Text (Full Text) CHARISMA_BAYU_RISTANTO_2101020055_Teknik Elektro dan Informatika - Full Text.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Produksi tempe pada usaha rumahan umumnya masih dilakukan dengan metode tradisional tanpa adanya standar evaluasi mutu yang terukur. Kondisi tersebut menyebabkan kualitas tempe yang dihasilkan cenderung tidak konsisten dan sangat bergantung pada penilaian visual produsen. Penilaian manual ini bersifat subjektif sehingga berpotensi menimbulkan ketidaksesuaian dalam menentukan kategori kelayakan jual tempe, khususnya terkait tingkat kematangan dan adanya kerusakan pada permukaan produk. Berdasarkan permasalahan tersebut, penelitian ini bertujuan menerapkan algoritma MobileNetV2 untuk melakukan klasifikasi citra tempe sebagai upaya menyediakan sistem penilaian mutu yang lebih objektif dan akurat. Dataset yang digunakan terdiri dari 540 citra tempe yang terbagi ke dalam tiga kategori yaitu belum matang, matang, dan rusak. Proses penelitian meliputi tahap praproses citra menggunakan segmentasi HSV dan GrabCut, bilateral filtering, Contrast Limited Adaptive Histogram Equalization (CLAHE), Difference of Gaussian (DoG), serta augmentasi data untuk meningkatkan keragaman citra. Model dilatih menggunakan skema pembagian data sebesar 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian, kemudian dievaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa algoritma MobileNetV2 memiliki performa yang sangat baik dalam mengklasifikasikan kondisi tempe. Model menghasilkan akurasi pelatihan sebesar 97,06%, akurasi validasi sebesar 96,29%, dan akurasi pengujian sebesar 98%. Pada data uji, kategori belum matang dan matang masing-masing memperoleh nilai precision 0,97, recall 1,00, dan f1-score 0,98, sedangkan kategori rusak memperoleh precision 1,00, recall 0,93, dan f1-score 0,96. Konsistensi hasil tersebut menunjukkan bahwa model mampu mengenali karakteristik visual tempe secara tepat. Dengan demikian, pendekatan deep learning berbasis MobileNetV2 dapat dimanfaatkan sebagai alat bantu evaluasi mutu tempe yang lebih objektif dan mendukung proses penentuan kelayakan jual pada usaha produksi rumahan.

Actions (login required)

View Item