Pendekatan Deep Learning Untuk Klasifikasi Kematangan Tempe Mendoan Menggunakan Convolutional Neural Network
Main Article Content
Abstract
Tempe mendoan dikenal dengan makanan yang memiliki kematangan yang berbeda dalam tiap jenisnya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kematangan tempe mendoan menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 400 data citra tempe mendoan yang dikategorikan ke dalam empat level kematangan: Level 1 (6 jam pertama), Level 2 (12 jam), Level 3 (18 jam), dan Level 4 (24 jam). Berbagai arsitektur CNN diuji dalam penelitian ini, dan hasil terbaik diperoleh menggunakan arsitektur VGG16 dengan nilai AUC sebesar 0,94 atau 95%, menunjukkan kemampuan klasifikasi yang sangat baik. Sistem ini dirancang untuk membantu produsen, seperti karyawan dan penjual tempe mendoan, dalam menentukan tingkat kematangan tempe secara tepat. Dengan sistem ini, tempe yang dihasilkan memiliki kualitas kematangan optimal, sehingga dapat meningkatkan daya tarik produk dan minat konsumen. Penelitian ini memberikan kontribusi pada penerapan teknologi berbasis deep learning untuk meningkatkan kualitas produksi dalam industri makanan tradisional.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[1] D. Aulia, N. Mistriani, B. Destian Nugraha, S. Wati Bunawolo, and U. Faruq, “Strategi Increasing Revenue and Product Promotion Of Tempe Home Industri Erowari Semarang,” 2024.
[2] I. Istiadi, A. Y. Rahman, and A. D. R. Wisnu, “Identification of tempe fermentation maturity using principal component analysis and k-nearest neighbor,” Sinkron: jurnal dan penelitian teknik informatika, vol. 7, no. 1, pp. 286–294, 2023.
[3] N. Wiliani, R. Hesananda, N. S. Rahmawati, and E. H. Prianggara, “Application Of Machine Learning For Bitcoin Exchange Rate Prediction Againts US Dollar,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 7, no. 2, pp. 67–74, Feb. 2022, doi: 10.33480/jitk.v7i2.2880.
[4] M. Irfak and A. Y. Rahman, “Support Vector Machine Application for Classification of Tempe Fermentation Maturity with Information Gain Selection Feature,” Edutran Computer Science and Information Technology, vol. 1, no. 2, pp. 1–9, 2023.
[5] A. Hosseini et al., “A mobile application based on efficient lightweight CNN model for classification of B-ALL cancer from non-cancerous cells: A design and implementation study,” Inform Med Unlocked, vol. 39, p. 101244, 2023.
[6] T. W. Qurâ, “Implementasi Metode Convolutional Neural Network (CNN) untuk Klasifikasi Motif pada Citra Sasirangan,” Madani: Jurnal Ilmiah Multidisiplin, vol. 1, no. 7, 2023.
[7] M. F. Naufal et al., “Analisis Perbandingan Algoritma Klasifikasi MLP dan CNN pada Dataset American Sign Language,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 3, pp. 489–495, Jun. 2021, doi: 10.29207/resti.v5i3.3009.
[8] “Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 2, pp. 311–318, Mar. 2021, doi: 10.25126/jtiik.2021824553.
[9] M. Farid Naufal, S. Ferdiana Kusuma, and P. Korespondensi, “Analisis Perbandingan Algoritma Machine Learning dan Deep Learning Untuk Klasifikasi Citra Sistem Isyarat Bahasa Indonesia,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 10, Jul. 2023, doi: 10.25126/jtiik.2023106828.