METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
SISTEM PENDETEKSI TINGKAT KESEGARAN DAGING AYAM PADA CITRA
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
BERBASIS ANDROID
Rayhan NaturizalA.
Wahyu Fuadi.
Lidya Rosnita Teknik Informatika.
Fakultas Teknik.
Universitas Malikussaleh.
Aceh Utara.
Indonesia Email: rayhan.
200170012@mhs.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No2.
ABSTRACT
This research develops a chicken meat freshness detection system based on image processing, implemented on an Android platform using the Convolutional Neural Network (CNN) method optimized with TensorFlow Lite.
The system classifies chicken meat into three categories: fresh, less fresh, and rotten.
The CNN model uses 32 filters to enhance feature extraction from the meat images.
Testing on 30 samples, with each category tested 10 times, showed an accuracy of 90%, with 27 correct detections and 3 errors in the less fresh category.
While the system effectively identifies fresh and rotten categories, there is a challenge in distinguishing the less fresh category due to its ambiguous visual characteristics.
One limitation is the lack of a bounding box, causing the application to still provide detection results even when the scanned object is not chicken meat.
This application is specifically designed to detect chicken meat pieces, so it is not recommended for use outside this context.
Keyword: CNN.
Detection.
Freshness.
Chicken.
Application.
ABSTRAK
Penelitian ini mengembangkan sistem deteksi kesegaran daging ayam berbasis citra pada platform Android menggunakan metode Convolutional Neural Network (CNN) yang dioptimalkan dengan TensorFlow Lite.
Sistem ini mengklasifikasikan daging ayam ke dalam tiga kategori: segar, kurang segar, dan busuk.
Model CNN menggunakan 32 filter untuk meningkatkan ekstraksi fitur dari citra daging.
Pengujian pada 30 sampel dengan masing-masing kategori diuji 10 kali menunjukkan akurasi sebesar 90%, dengan 27 deteksi tepat dan 3 kesalahan pada kategori kurang segar.
Meskipun sistem efektif dalam mengidentifikasi kategori segar dan busuk, terdapat tantangan dalam membedakan kategori kurang segar karena karakteristik visualnya yang ambigu.
Kekurangan sistem ini termasuk tidak adanya bounding box, sehingga aplikasi tetap memberikan hasil deteksi meskipun objek yang dipindai bukan daging ayam.
Aplikasi ini dirancang khusus untuk mendeteksi potongan daging ayam, sehingga tidak dianjurkan digunakan di luar konteks tersebut.
Kata Kunci: CNN.
Deteksi.
Kesegaran.
Ayam.
Aplikasi.
PENDAHULUAN
Teknologi terus maju di era modern ini dan memberikan dampak yang sangat signifikan terhadap kemajuan di berbagai bidang, termasuk bidang bahan makanan salah satunya yaitu daging ayam.
Saat ini pendeteksi tingkat kesegaran daging ayam masih banyak dilakukan secara manual.
Cara ini umumnya berdasarkan pengamatan visual pengecekan aroma dan tekstur daging.
Metode ini memiliki keterbatasan dalam beberapa hal.
Pertama dalam hal akurasi, sulit untuk mendeteksi perubahan kecil pada kesegaran daging secara manual.
Yang kedua objektivitas, penilaian subjektif dapat dipengaruhi oleh faktor eksternal seperti penerangan, kelelahan, atau kekurangan indra penglihatan dan penciuman manusia.
Yang ketiga efisiensi, proses manual membutuhkan waktu dan tenaga lebih.
Kualitas daging dipengaruhi oleh empat faktor utama yaitu jumlah mikroba, komposisi kimia, sifat fisik, dan nilai pemuas .
ating qualit.
Dari keempat faktor ini, konsumen biasanya lebih memperhatikan sifat fisik dan eating quality daripada yang lainnya.
Eating quality sangat tergantung pada kepekaan indera pengecapan, dan perabaan, karena mencakup respons terhadap warna, aroma, rasa, tekstur, serta keseluruhan pengalaman makan daging (Agus Setiadi.
Titik Ekowati, 2.
Sistem pendeteksi tingkat kesegaran daging ayam menjadi solusi penting untuk meningkatkan kualitas dan keamanan pangan.
Teknologi canggih dan Halaman 301 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
metode ilmiah seperti Convolutional Neural Network (CNN) dapat membantu meminimalisir risiko penyakit bagi konsumen dan meningkatkan efisiensi dalam rantai pasokan makanan.
Secara teknis.
CNN adalah sebuah arsitektur yang dapat dilatih dan terdiri dari beberapa tahap.
Input CNN berupa citra, dan proses mengubah citra menjadi fitur yang dapat dipahami oleh jaringan merupakan aspek yang membedakan CNN dari jenis jaringan saraf Arsitektur ini melibatkan lapisan konvolusi untuk ekstraksi fitur, lapisan pooling untuk reduksi dimensi, serta lapisan fully connected untuk klasifikasi.
Dengan struktur ini.
CNN mampu menangkap pola dan fitur yang kompleks dalam citra, sehingga sangat efektif dalam tugas-tugas seperti pengenalan gambar dan deteksi objek (Wulandari et al.
, 2.
Penelitian sebelumnya dilakukan oleh Alfinas Agung Mujiono.
Kartini, dan Eva Yulia Puspaningrum pada tahun 2024 mengkaji kondisi kesegaran daging ayam menggunakan metode CNN dengan judul AuImplementasi Model Hybrid CNN-SVM Pada Klasifikasi Kondisi Kesegaran Daging AyamAy, proses klasifikasi kesegaran daging ayam dilakukan dengan mengintegrasikan dua algoritma pembelajaran mesin:
CNN untuk ekstraksi fitur dan SVM untuk klasifikasi.
Tujuan dari penelitian ini adalah mengembangkan model hybrid yang dapat mengklasifikasikan dua label berdasarkan pra-pemrosesan gambar, ekstraksi fitur, dan klasifikasi citra daging ayam.
Model dengan learning rate 0.
00001 mencapai akurasi tertinggi sebesar 95%, dengan presisi 95%, recall 94.
8%, dan f1score 94.
Sebaliknya, model yang paling seimbang menghasilkan akurasi 90%, presisi 90.
1%, recall 1%, dan f1-score 90.
1% (Agung Mujiono et al.
Penelitian sebelumnya juga dilakukan oleh Rafi Albert Abiyasa.
Andrijani Sumarahinsi, dan Rifki Hari Romadhon pada tahun 2023 dengan judul AuImplementasi Pengolahan Citra HSV Secara Realtime Sebagai Klasifikasi Tingkat Kesegaran Daging Ayam Potong Dengan Metode KNNAy.
Penelitian ini bertujuan untuk mendeteksi tingkat kesegaran daging ayam menggunakan pengolahan citra digital dan metode KNN dengan klasifikasi menjadi tiga kategori yaitu segar, kurang segar, dan busuk.
Pembaruan dalam penelitian ini mencakup penggunaan sistem operasi yang diproses melalui Raspberry Pi sebagai pengelola data sistem berbasis Linux, dengan bahasa pemrograman Python untuk mengakses data dari kamera yang berfungsi menangkap citra daging ayam (Abiyasa & Romadhon, 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Penelitian sebelumnya juga dilakukan Cakra.
Syafruddin Syarif.
Hamdan Gani.
Andi Patombongi, dan Andi Muh.
Islah pada tahun 2022 dengan judul AuAnalisis Kesegaran Ikan Mujair Dan Ikan Nila Dengan Metode Convolutional Neural NetworkAy Berdasarkan hasil penelitian, ikan mujair yang dianalisis menggunakan 451 citra menunjukkan bahwa arsitektur VGG memberikan kinerja terbaik dibandingkan arsitektur lainnya, dengan tingkat akurasi klasifikasi mencapai 73%.
Sementara itu, untuk ikan nila yang menggunakan 574 citra, arsitektur VGG juga menunjukkan kinerja lebih baik dibandingkan arsitektur lainnya, dengan akurasi klasifikasi mencapai 57,9%.
Temuan ini mengindikasikan bahwa arsitektur VGG sangat efektif dalam pengenalan jenis ikan berdasarkan citra, meskipun tingkat akurasinya bervariasi antar jenis ikan (Cakra et al.
, 2.
Dengan memanfaatkan teknologi komputer dan pemrosesan citra, proses pengklasifikasian kesegaran daging ayam dapat dilakukan dengan lebih mudah dan cepat, bahkan oleh individu yang bukan tenaga ahli.
Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi tingkat kesegaran daging ayam berdasarkan parameter warna daging menggunakan pemrosesan citra.
TINJAUAN PUSTAKA
Saat ini, banyak sistem telah berkembang yang memanfaatkan fitur pengenalan wajah, seperti sistem akses keamanan dan kontrol.
Pemrosesan citra dan visi komputer adalah inovasi dalam bidang komputer yang dirancang untuk mendekati kemampuan visual Pemrosesan citra adalah teknologi yang digunakan untuk menangani masalah terkait gambar, sedangkan visi komputer bertugas membuat keputusan mengenai objek fisik nyata yang diperoleh dari perangkat atau sensor.
Visi komputer memungkinkan komputer untuk mengenali citra seperti halnya manusia, salah satunya dalam aplikasi pengenalan wajah (Susim & Darujati, 2.
Pengolahan citra digital bertujuan utama untuk mengolah dan memanipulasi gambar digital agar sesuai dengan berbagai kebutuhan dan aplikasi.
Proses ini mencakup serangkaian operasi yang dirancang untuk meningkatkan kualitas visual gambar, mengekstraksi informasi penting yang terkandung di dalamnya, serta mempermudah interpretasi atau pemanfaatannya dalam berbagai konteks, seperti analisis, pemantauan, dan pengenalan pola.
Operasi-operasi ini tidak hanya berfokus pada peningkatan visualisasi tetapi juga pada penyiapan citra untuk langkah-langkah analitis lebih lanjut, termasuk segmentasi, pengenalan objek, dan Halaman 302 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
pengolahan lanjutan yang dapat mendukung berbagai bidang, seperti medis, industri, keamanan, dan hiburan (Dijaya, 2.
Format .
JPEG, atau Joint Photographic Experts Group, merupakan standar kompresi internasional yang dibuat untuk mendukung penggunaan gambar digital, baik berwarna maupun grayscale, serta grafis dengan kualitas tinggi di perangkat digital.
Diciptakan sejak tahun 1982, .
JPEG menjadi salah satu format gambar digital yang paling umum digunakan.
Sebaliknya.
PNG, atau Portable Network Graphics, adalah format gambar digital yang memakai kompresi lossless.
Format ini mendukung transparansi dan portabilitas, serta mampu menangani warna hingga 48 bit, sehingga sangat cocok untuk aplikasi yang membutuhkan kualitas gambar tinggi dan fitur transparansi (Imanudin et al.
, 2.
Ayam merupakan salah satu jenis unggas yang sudah sangat dikenal oleh masyarakat.
Biasanya, ayam yang digunakan untuk konsumsi adalah ayam potong.
Ada beberapa hal yang perlu diperhatikan saat memilih daging ayam segar, seperti warna daging yang putih kekuningan, warna lemak yang juga putih kekuningan dan tersebar merata di bawah kulit, aroma yang segar, serta tekstur daging yang elastis.
Selain itu, penting untuk memastikan tidak ada tanda-tanda memar atau indikasi lain yang mencurigakan pada daging ayam tersebut (Laia et al.
, 2.
Convolutional Neural Network (CNN) adalah salah satu jenis algoritma dalam Deep Learning yang mampu menganalisis dataset besar dengan akurasi CNN adalah model yang efektif untuk pengenalan aktivitas manusia (HAR), menggunakan teknik jaringan saraf yang kuat, yaitu jaringan saraf konvolusional, untuk memodelkan fitur secara efisien (Hakim, 2.
Convolutional Layer adalah elemen utama dalam CNN yang berfungsi langsung dengan input.
Layer ini terdiri dari sejumlah filter yang digunakan untuk mengekstrak fitur dari input yang diberikan.
Filter ini ditentukan oleh dimensi lebar dan tinggi.
Misalnya, jika layer pertama disebut convolutional layer 5x5x3, berarti filternya memiliki lebar 5 piksel, tinggi 5 piksel, dan 3 kanal, sesuai dengan struktur Setiap filter digeser melintasi seluruh bagian citra, dan setiap kali terjadi pergeseran, dilakukan operasi "dot product" antara input dan nilai filter untuk menghasilkan output yang disebut activation map atau feature map.
Proses ini memungkinkan CNN untuk mendeteksi pola-pola penting dalam gambar dan membangun representasi fitur yang diperlukan untuk ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
tugas klasifikasi atau deteksi selanjutnya (Prastowo.
Pooling Layer menggunakan Feature Map dari Convolution Layer sebagai input untuk mengecilkan ukuran spasial, dengan tujuan mengurangi kebutuhan sumber daya komputasi dalam pengolahan data.
Ada dua jenis pooling yang umum digunakan, yaitu Max Pooling dan Average Pooling.
Perbedaan utama di antara keduanya terletak pada cara memilih nilai dari area tertentu pada feature map (Herianto et al.
, 2.
Fully connected layer adalah jenis jaringan saraf yang mirip dengan jaringan saraf tradisional.
Pada tahap ini, klasifikasi gambar dilakukan dengan memanfaatkan fitur yang telah diekstrak selama proses Setiap nilai dari feature map diubah menjadi input untuk layer ini, yang mengakibatkan jumlah bobot yang sangat besar karena setiap neuron terhubung dengan neuron di layer berikutnya.
Karena itu, sebagian besar parameter dalam CNN terdapat pada fully connected layers.
Untuk melatih bobot-bobot ini, memungkinkan model untuk menyesuaikan bobot berdasarkan kesalahan yang dihasilkan selama proses pelatihan (Yulianto et al.
, 2.
ReLU (Rectified Linear Uni.
adalah fungsi aktivasi non-linear yang beroperasi pada level piksel.
Fungsi ini mengeluarkan nilai input x jika x positif, dan 0 jika x negatif.
Secara matematis.
ReLU dinyatakan sebagai g.
=maxA.
= \max.
, .
=max (Herianto et al.
, 2.
Flatten adalah fungsi yang mengubah gambar berbentuk multidimensional array dari hasil konvolusi menjadi array satu dimensi.
Fungsi ini mempersiapkan data untuk proses klasifikasi dengan menyusun semua elemen menjadi vektor satu dimensi, yang dapat digunakan sebagai input untuk layer fully connected dalam jaringan saraf (Herianto et al.
, 2.
Softmax adalah fungsi aktivasi yang digunakan untuk klasifikasi linear dengan menghasilkan probabilitas untuk setiap kelas.
Output dari fungsi ini berada dalam rentang 0 hingga 1, di mana jumlah total probabilitas untuk semua kelas dalam satu objek output adalah 1 (Herianto et al.
, 2.
Keuntungan utama dari Softmax adalah kemampuannya untuk mengonversi nilai-nilai output menjadi probabilitas yang dapat dipahami, serta kemampuannya untuk digunakan dalam model regresi logistik klasifikasi ganda (Kholik.
Halaman 303 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
METODE PENELITIAN Perangkat keras .
adalah komponen fisik dari komputer yang dapat disentuh dan dilihat Ini meliputi bagian-bagian yang digunakan untuk input, pengolahan data, dan output.
Perangkat keras penting untuk menjalankan perintah yang diprogram dan mendukung operasi sistem secara Advan Workplus Processor AMD Ryzen 5 6600H.
RAM 16,00 GB.
SSD 1TB Smartphone Android Realme 10.
Kamera 50MP.
Perangkat lunak .
adalah kumpulan data elektronik yang disimpan dan dikelola oleh Data ini berupa program atau instruksi yang mengarahkan perangkat keras untuk menjalankan Perangkat lunak berfungsi sebagai penerjemah perintah dari pengguna, memungkinkan komputer untuk memproses dan melaksanakan instruksi yang diberikan.
Selain itu, perangkat lunak juga merupakan elemen penting dalam merancang dan membangun sebuah sistem.
Fungsinya mencakup pengolahan data.
Perangkat lunak yang digunakan dalam perancangan sistem ini adalah:
Sistem Operasi Microsoft Windows 11 Pro, 64 bit Google Chrome.
Google Colaboratory Android Studio.
Pengumpulan data dilakukan dengan cara mengambil sampel yang representatif dari berbagai tingkat kesegaran daging.
Dalam penelitian ini, citra atau gambar sampel diambil langsung dari pasar dan melibatkan beberapa kondisi, yaitu daging ayam dalam keadaan segar, kurang segar, dan busuk.
Daging ayam segar diambil segera setelah dibeli, sementara daging ayam yang kurang segar dan busuk diperoleh dengan membiarkan daging ayam mengalami proses Proses ini memastikan bahwa sampel yang dikumpulkan mencakup berbagai kondisi kesegaran, memungkinkan analisis yang lebih menyeluruh dalam penelitian ini.
Flowchart Pengumpulan Data Flowchart pengumpulan data ini berisi Langkah-langkah yang dilakukan saat mengumpulkan Adapun tahap-tahap yang dilakukan pada gambar 1 yaitu melakukan pembelian daging ayam di Lakukan pengambilan gambar daging ayam yang dibeli di pasar menggunakan kamera smartphone Simpan gambar di penyimpanan lokal.
Preprocessing gambar berisi resizing dan penghapusan Setiap gambar yang telah dipreproses ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
diberikan label sesuai dengan tingkat kesegaran daging ayam .
egar, kurang segar, busu.
Upload dataset ke Kaggle.
Gambar 1.
Flowchart Pengumpulan Data Flowchart Pembuatan Model CNN Flowchart pembuatan model CNN ini berisi Langkah-langkah yang dilakukan saat pembuatan model CNN.
Adapun tahap-tahap yang dilakukan pada gambar 2 yaitu melakukan pembuatan model di google Import dataset dari Kaggle.
Ubah nilai input piksel menjadi 512x512.
Rancang model CNN, pada layer convolution menggunakan filter 3x3 sebanyak 32 buah filter, menggunakan aktivasi ReLu, zero padding dan menggunakan stride atau pergeseran filter sebanyak 1, pooling layer menggunakan average pooling, selanjutnya menggunakan fungsi aktivasi flatten, dan terakhir untuk proses klasifikasi pada fully connected layer menggunakan aktivasi softmax.
Training untuk melihat nilai akurasi dan nilai Testing untuk mengevaluasi kinerja sistem.
Export model kedalam .
tflite untuk di implementasikan kedalam sistem android.
Halaman 304 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Gambar 3.
Flowchart Aplikasi Android Gambar 2.
Flowchart Pembuatan Model CNN Flowchart Aplikasi Android Flowchart aplikasi android ini berisi langkahlangkah yang dilakukan saat penggunaan aplikasi android di smartphone.
Adapun tahap-tahap yang dilakukan pada gambar 2 yaitu Mulai dengan masuk kedalam aplikasi Setelah masuk kedalam aplikasi android akan otomatis memuat model CNN yang sudah dibuat sebelumnya pada google colaboratory.
Setelah selesai memuat model akan masuk ke dashboard atau halaman utama, selanjutnya user memilih menu deteksi untuk melakukan pendeteksian.
Arahkan kamera ke potongan daging ayam yang akan di deteksi.
Proses pendeteksian akan dilakukan menggunakan model CNN yang telah Jika hasil sesuai yang di inginkan akan keluar hasil yang sebenarnya, jika tidak sesuai silahkan kembali mengambil ulang gambar.
Hasil akan berupa persentase dimana hasil yang paling tinggi atau mendekati akan berada di posisi paling atas.
HASIL DAN PEMBAHASAN
Penelitian ini mengevaluasi penggunaan metode Convolutional Neural Network untuk mendeteksi tingkat kesegaran potongan daging ayam.
Hasil dari penelitian ini akan menghasilkan sebuah aplikasi Android yang dapat mendeteksi tingkat kesegaran daging ayam secara real-time.
Pembuatan Model Import Dataset Gambar 4.
Sourcecode Import Dataset Rancangan Model CNN Perancangan model pada metode CNN digunakan untuk menentukan jumlah filter, ukuran stride, fungsi aktivasi dan lain sebagainya pada metode CNN.
Halaman 305 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Gambar 5.
Sourcecode Rancangan Model CNN Gambar berikut menunjukkan bahwa pada proses convolution digunakan 32 filter berukuran 3x3, menghasilkan 32 feature map baru dengan padding same, stride 1, dan fungsi aktivasi ReLU.
Kemudian, pada lapisan pooling menggunakan average pooling dengan 32 filter berukuran 2x2 dan stride 2.
Output dari pooling diubah menjadi vektor dengan fungsi aktivasi Pada lapisan fully connected layer, digunakan dense dengan 3 unit untuk klasifikasi tingkat kesegaran daging ayam segar, kurang segar, dan busuk menggunakan fungsi aktivasi softmax.
Gambar 8.
Grafik Akurasi Pelatihan dan Validasi Akurasi Training Model Gambar 6.
Sourcecode Proses Training Ketika training dimulai, akan muncul terminal window yang menampilkan proses training seperti pada gambar berikut.
Gambar 9.
Grafik Kesalahan Pelatihan dan Validasi Kesalahan Testing Model Setelah proses training perlu dilakukan testing untuk menguji model apakah mampu melakukan prediksi dengan baik atau tidak.
Gambar 7.
Proses Training Setelah proses data training selesai dilakukan sebanyak 50 epoch, dibutuhkan 2 buah grafik untuk mengatahui proses naik turun akurasi pada proses Gambar 10.
Sourcecode Proses Testing Setelah proses testing dilakukan akan muncul sebuah label prediksi seperti gambar berikut:
Halaman 306 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Halaman Dashboard Gambar 11.
Hasil Proses Testing Export Model Setelah hasil testing maupun training model sesuai yang di inginkan, kemudian model di export ke dalam bentuk file TFLite (.
untuk penerapan secara real-time pada aplikasi android.
Gambar 14.
Tampilan Load Model Halaman Deteksi Halaman deteksi akan menampilkan kamera belakang pada smartphone android user yang berfungsi untuk mendeteksi tingkat kesegaran pada potongan daging ayam dan akan mengeluarkan hasil secara realtime berbentuk persentase dengan urutan hasil yang paling mendekati ada di posisi pertama atau paling atas pada hasil.
Gambar 12.
Sourcecode Proses Export Model Perancangan Interface Halaman Load Model Halaman load model adalah proses memuat model yang telah dibuat sebelumnya pada google colaboratory dan disimpan dalam bentuk file-file dan di implementasikan ke aplikasi android.
Gambar 15.
Tampilan Deteksi Halaman Deskripsi Halaman deskripsi berisikan informasi tentang ciri-ciri daging ayam dari mulai daging ayam yang segar hingga busuk.
Gambar 13.
Tampilan Load Model Halaman 307 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Gambar 16.
Tampilan Deskripsi Gambar 18.
Tampilan Tentang Aplikas Halaman Bantuan Halaman bantuan ini berisikan tentang cara penggunaan aplikasi, dan fitur-fitur yang terdapat pada Pengujian Aplikasi Android Pengujian ini dilakukan untuk menguji potongan daging ayam dengan berbagai kondisi yang Pengujian ini dilakukan menggunakan smartphone android realme 10 dengan resolusi kamera sebesar 50MP.
Kondisi cahaya saat melakukan pengujian juga berbeda-beda, tetapi pada aplikasi android ini menggunakan flash yang otomatis aktif apabila pengujian dilakukan pada kondisi cahaya yang Pengujian ini dilakukan untuk mengetahui seberapa akurat model yang di implementasikan pada perangkat android untuk digunakan mendeteksi tingkat kesegaran pada potongan daging ayam.
Tabel 1.
Pengujian Aplikasi Android Pengujian Kondisi Segar Hasil Deteksi Segar Gambar 17.
Tampilan Bantuan Halaman Tentang Aplikasi Halaman tentang aplikasi berisi informasi tentang pembuatan aplikasi.
Halaman 308 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Segar Segar Segar Segar Segar Segar Segar Segar Segar Segar Segar Segar Segar Segar Kurang Segar Kurang Segar Segar Segar Kurang Segar Busuk Segar Segar Kurang Segar Segar Halaman 309 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Kurang Segar Kurang Segar Kurang Segar Kurang Segar Kurang Segar Kurang Segar Busuk Busuk Kurang Segar Kurang Segar Busuk Busuk Kurang Segar Kurang Segar Busuk Busuk Kurang Segar Kurang Segar Busuk Busuk Kurang Segar Segar Busuk Busuk Halaman 310 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
Busuk Busuk Busuk Busuk Busuk Busuk ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
y100% = 90% Setelah melakukan pengujian sebanyak total 30 kali pengujian dan tiap masing-masing kategori di uji sebanyak 10 kali pada aplikasi Android untuk mendeteksi tingkat kesegaran daging ayam dengan rincian 27 hasil deteksi benar dan hasil deteksi yang salah sebanyak 3.
Hasilnya menunjukkan bahwa aplikasi mampu mendeteksi dengan benar pada kategori segar dan busuk dalam semua pengujian yang Namun, pada kategori kurang segar, terdapat 3 kesalahan dari 10 pengujian yang dilakukan, dengan tingkat akurasi keseluruhan mencapai 90%.
Gambar 18.
Grafik Hasil Pengujian Aplikasi Android Busuk Busuk Busuk Busuk Penelitian serta hasil penelitian ini dilakukan pada agustus 2024.
Pengujian ini dilakukan secara realtime dengan cara membeli daging ayam yang masih segar sebagai sampel, dan dilakukan pembusukan untuk menguji sambel daging ayam yang kurang segar dan busuk.
Berdasarkan data hasil pengujian, perhitungan KESIMPULAN Penelitian ini berhasil mengembangkan sebuah sistem pendeteksi tingkat kesegaran daging ayam berbasis citra yang diimplementasikan pada platform Android, menggunakan metode Convolutional Neural Network (CNN).
Sistem ini mampu mengklasifikasikan tingkat kesegaran daging ayam ke dalam tiga tingkat kesegaran yaitu segar, kurang segar, dan busuk.
Penggunaan metode CNN terbukti efektif dalam mengolah citra daging ayam untuk mendeteksi tingkat kesegaran.
Dari 30 kali pengujian, masing-masing kategori diuji 10 kali dengan akurasi total 90%, di mana sistem berhasil 27 kali dan mengalami 3 kesalahan pada kategori kurang segar.
Performa sangat baik ditunjukkan pada deteksi kategori segar dan busuk, namun kesalahan pada kategori kurang segar menunjukkan tantangan dalam membedakan visual yang lebih ambigu.
DAFTAR PUSTAKA