KLASIFIKASI KUALITAS HASIL PRODUKSI TAHU PUTIH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Irwan Rahmadani; Muqimuddin Muqimuddin; Christopher Davito Prabandewa Hertadi; Bowo Nugroho

doi:10.46984/sebatik.v27i2.2401

Authors

Irwan Rahmadani Teknik Industri, Institut Teknologi Kalimantan
Muqimuddin Teknik Industri, Institut Teknologi Kalimantan
Christopher Davito Prabandewa Hertadi Teknik Industri, Institut Teknologi Kalimantan
Bowo Nugroho Informatika, Institut Teknologi Kalimantan

DOI:

https://doi.org/10.46984/sebatik.v27i2.2401

Keywords:

Neural Network, Image Processing , Kategorisasi Mutu , Deteksi kualitas, Hasil Produksi

Abstract

Penelitian ini mengembangkan sebuah model Convolutional Neural Network (CNN) untuk melakukan klasifikasi kategori mutu tahu berdasarkan citra digital dan menentukan grid produk tahu berdasarkan kategori mutunya. Tahapan penelitian ini meliputi pengambilan sampel data, pelabelan data, preprocessing citra, pembuatan model CNN, training model CNN, evaluasi model CNN dan visualisasi kategorisasi. Sampel data yang digunakan dalam penelitian ini terdiri dari 600 citra tahu yang terbagi menjadi tiga kategori mutu, yaitu mutu A, B, dan C. Peneliti menggunakan metode pembaharuan stokastik (Stochastic Gradient Descent) dengan learning rate 0.001, dan fungsi aktivasi ReLU. Hasil pengembangan menunjukkan bahwa model kedua keseluruhan bentuk memiliki tingkat performansi dan validasi akurasi yang lebih tinggi sebesar 100 % dibandingkan dengan model pertama tampak permukaan sebesar 77%. Model kedua memiliki arsitektur yang lebih kompleks dan lebih sesuai dengan karakteristik deteksi keseluruhan bentuk pada tahu. Dengan pengembangan model CNN ini, diharapkan industri tahu dapat meningkatkan efisiensi dalam penentuan kualitas tahu dan harga jual yang sesuai. Implementasi teknologi ini memungkinkan kategorisasi mutu tahu yang akurat dan objektif berdasarkan citra digital, yang dapat mengurangi ketergantungan pada penilaian manual.

References

Alpaydin, E. (2021). Machine Learning. The MIT Press. https://doi.org/10.7551/mitpress/13811.001.0001

Azizah, L. M., Umayah, S. F., & Fajar, F. (2018). Deteksi Kecacatan Permukaan Buah Manggis Menggunakan Metode Deep Learning dengan Konvolusi Multilayer. Semesta Teknika, 21(2). https://doi.org/10.18196/st.212229

Chen, G., Tian, H., Xiao, T., Xu, T., & Lei, H. (2023). Time series forecasting of oil production in Enhanced Oil Recovery system based on a novel CNN-GRU neural network. Geoenergy Science and Engineering, 212528. https://doi.org/10.1016/j.geoen.2023.212528

Dhaka, V. S., Meena, S. V., Rani, G., Sinwar, D., Kavita, K., Ijaz, M. F., & Woźniak, M. (2021). A Survey of Deep Convolutional Neural Networks Applied for Prediction of Plant Leaf Diseases. Sensors, 21(14), 4749. https://doi.org/10.3390/s21144749

Du, L., Lu, X., & Li, H. (2023). Automatic fracture detection from the images of electrical image logs using Mask R-CNN. Fuel, 351, 128992. https://doi.org/10.1016/j.fuel.2023.128992

Duan, Z., Luo, X., & Zhang, T. (2024). Combining transformers with CNN for multi-focus image fusion. Expert Systems with Applications, 235, 121156. https://doi.org/10.1016/j.eswa.2023.121156

Ehtisham, R., Qayyum, W., Camp, C. V., Plevris, V., Mir, J., Khan, Q. Z., & Ahmad, A. (2024). Computing the characteristics of defects in wooden structures using image processing and CNN. Automation in Construction, 158, 105211. https://doi.org/10.1016/j.autcon.2023.105211

Fadlia, N., & Kosasih, R. (2019). KLASIFIKASI JENIS KENDARAAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN). Jurnal Ilmiah Teknologi Dan Rekayasa, 24(3), 207–215. https://doi.org/10.35760/tr.2019.v24i3.2397

Feng, Z., Ji, H., Daković, M., Zhu, M., & Stanković, L. (2023). Analytical interpretation of the gap of CNN’s cognition between SAR and optical target recognition. Neural Networks, 165, 982–986. https://doi.org/10.1016/j.neunet.2023.06.037

Han, Q., Qian, X., Xu, H., Wu, K., Meng, L., Qiu, Z., Weng, T., Zhou, B., & Gao, X. (2024). DM-CNN: Dynamic Multi-scale Convolutional Neural Network with uncertainty quantification for medical image classification. Computers in Biology and Medicine, 168, 107758. https://doi.org/10.1016/j.compbiomed.2023.107758

Ibrahim, M., & Thawil, S. M. (2019). PENGARUH KUALITAS PRODUK DAN KUALITAS PELAYANAN TERHADAP KEPUASAN PELANGGAN. Jurnal Riset Manajemen Dan Bisnis (JRMB) Fakultas Ekonomi UNIAT, 4(1).

Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2022). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. https://doi.org/10.1109/TNNLS.2021.3084827

Nugroho, E., Santoso, H. B., & Safi’i, I. (2020). Analisis Pengaruh Kualitas Produk Terhadap Kepuasan Pelanggan. JURMATIS : Jurnal Ilmiah Mahasiswa Teknik Industri, 2(2), 106. https://doi.org/10.30737/jurmatis.v2i2.953

Oktafanda, E. (2022). Klasifikasi Citra Kualitas Bibit dalam Meningkatkan Produksi Kelapa Sawit Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Informatika Ekonomi Bisnis, 72–77. https://doi.org/10.37034/infeb.v4i3.143

Passos, D., & Mishra, P. (2023). Deep Tutti Frutti: Exploring CNN architectures for dry matter prediction in fruit from multi-fruit near-infrared spectra. Chemometrics and Intelligent Laboratory Systems, 243, 105023. https://doi.org/10.1016/j.chemolab.2023.105023

Statistik, B. P. (2023). Rata-Rata Konsumsi Per Kapita Seminggu Beberapa Macam Bahan Makanan Penting.

Tetard, M., Carlsson, V., Meunier, M., & Danelian, T. (2023). Merging databases for CNN image recognition, increasing bias or improving results? Marine Micropaleontology, 185, 102296. https://doi.org/10.1016/j.marmicro.2023.102296

Wang, T., & Yin, L. (2023). A hybrid 3DSE-CNN-2DLSTM model for compound fault detection of wind turbines. Expert Systems with Applications, 122776. https://doi.org/10.1016/j.eswa.2023.122776

Zhu, Q.-X., Qian, Y.-S., Zhang, N., He, Y.-L., & Xu, Y. (2023). Multi-scale Transformer-CNN domain adaptation network for complex processes fault diagnosis. Journal of Process Control, 130, 103069. https://doi.org/10.1016/j.jprocont.2023.103069