SETIAJI, Pratomo and Adi, Kusworo and Surarso, Bayu (2024) KLASIFIKASI KUALITAS TELUR MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN CONVOLUTIONAL NEURAL NETWORK (CNN). Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text 1 Cover_merged.pdf Restricted to Repository staff only Download (3MB)
	Text 14 BAB I.pdf Download (588kB)
	Text 15 BAB II.pdf Download (1MB)
	Text 16 BAB III.pdf Restricted to Repository staff only Download (568kB)
	Text 17 BAB IV.pdf Restricted to Repository staff only Download (2MB)
	Text 18 BAB V.pdf Restricted to Repository staff only Download (420kB)
	Text 19 DAFTAR PUSTAKA.pdf Download (372kB)
	Text 20 LAMPIRAN.pdf Restricted to Repository staff only Download (656kB)

Abstract

Telur banyak dikonsumsi karena mengandung nutrisi penting seperti protein, vitamin, dan mineral. Faktor eksternal dapat dideteksi dengan mengamati cangkang telur atau sebagai pertimbangan. Nutrisi dalam telur dipengaruhi oleh kualitas telur, kualitas telur dapat dilihat secara langsung dari cangkangnya, jika cangkang retak maka dapat dipastikan bahwa telur tersebut memiliki kualitas buruk karena bakteri Salmonella adalah patogen berbahaya yang dapat masuk ke dalam telur. Permasalahan saat ini adalah kompleksitas dan ketidakefisienan dalam proses klasifikasi telur satu per satu oleh pekerja karena merupakan pekerjaan yang rumit, memakan waktu dan tidak akurat oleh karena itu penting untuk memisahkannya secara otomatis. Penelitian ini memiliki tujuan mengembangkan metode klasifikasi dan seleksi kualitas telur yang retak dan utuh menggunakan mesin pembelajaran dengan tingkat akurasi tinggi dengan menerapkan konsep-konsep dalam bidang Sistem Informasi, khususnya pada pengolahan citra digital dan pembelajaran mesin, Strategi inovatif untuk memilih dan mengategorikan retakan pada telur disajikan dalam penelitian ini menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan Convolutional Neural Network CNN, pemilihan metode GLCM-CNN didasarkan pada kemampuannya dalam menangkap informasi spasial pada citra, yang sangat baik untuk mendeteksi pola retakan pada cangkang telur. Selain itu, penelitian ini membandingkan dengan model komputasi lainnya yaitu Visual Geometry Group (VGG 19), VGG 16, Residual Network (RESNET 50), Local Binary Patterns (LBP)-CNN dan Gabor-CNN. Metode algoritma GLCM–CNN dalam penelitian ini menggunakan 1.000 citra untuk setiap class dan setiap class menggunakan validasi sebesar 20%, dengan hasil akurasi sebesar 98% lebih tinggi dari VGG 19 (69%), VGG 16 (70%), RESNET 50 (50%), LBP-CNN (50%) dan Gabor-CNN (93%). Hasil perbandingan menunjukkan bahwa GLCM-CNN memberikan kinerja yang jauh lebih baik sehingga penemuan ini memiliki implikasi penting dalam mengatasi kompleksitas dan ketidakakuratan dalam proses klasifikasi dan seleksi telur, serta dalam menentukan dan mengevaluasi kualitas telur secara otomatis.
Kata kunci: Kualitas telur, Klasifikasi, GLCM, Convolutional Neural Network

Eggs are widely consumed due to their essential nutrients such as proteins, vitamins, and minerals. External factors can be detected by observing the eggshells or considering other aspects. The nutrients in eggs are influenced by their quality, which can be directly assessed from the shell. If the shell is cracked, it indicates poor quality as the dangerous pathogen Salmonella can enter the egg. The current issue is the complexity and inefficiency in classifying eggs one by one by workers, as it is a tedious, time-consuming, and inefficient task, making it crucial to automate the process. This study aims to develop a high-accuracy method for classifying and selecting cracked and intact eggs using machine learning, applying concepts from Information Systems, particularly in digital image processing and machine learning. An innovative strategy for selecting and categorizing egg cracks is presented in this study using the Gray Level Co-occurrence Matrix (GLCM) and Convolutional Neural Network (CNN) methods. The choice of GLCM-CNN is based on its ability to capture spatial information in images, which is excellent for detecting crack patterns on eggshells. Additionally, this research compares the performance of other computational models, namely Visual Geometry Group (VGG 19), VGG 16, Residual Network (RESNET 50), Local Binary Patterns (LBP)-CNN, and Gabor-CNN. The GLCM-CNN algorithm in this study uses 1,000 images for each class, with each class using 20% validation, achieving an accuracy of 98%, which is higher than VGG 19 (69%), VGG 16 (70%), RESNET 50 (50%), LBP-CNN (50%), and Gabor-CNN (93%). The comparison results show that GLCM-CNN provides significantly better performance, indicating that this finding has important implications for addressing the complexity and inefficiency in the egg classification and selection process, as well as for automatically determining and evaluating egg quality.
Keywords: Egg crack, Classification, GLCM, Convolutional Neural Network

Actions (login required)

View Item