Electronic Theses and Dissertation

Abstrak emping melinjo merupakan makanan ringan berupa keripik yang berasal dari biji melinjo yang dipipihkan. terdapat beberapa macam emping melinjo yaitu, emping melinjo klatak (tebal kecil) dan emping melinjo tipis. klasifikasi merupakan metode datamining yang digunakan untuk proses pencarian sekumpulan model yang dapat membedakan kelas data atau konsep. tujuan penelitian ini untuk mengembangkan teknologi pengolahan citra dan deep learning berbasis deteksi anomali emping meninjo. metode deteksi anomali bebasis deep leraning dapat digunakan untuk mengidentifikasi emping yang menyimpang dari standar kualitas yang ditentukan. dengan menganalisis data citra model dapat memeberikan anomaly score yang ditentukan dalam pengambilan keputusan otomatis atau penyortiran. berdasarkan hasil evaluasi klasifikasi emping melinjo, klasifikasi pada klasifikasi compact dengan nilai 0,882 menghasilkan recall 0,867 kemudian memperoleh f1 score dengan nilai 0,865. pada klasifikasi alexnet dengan nilai 0,900 menghasilkan recall 0,900 kemudian memperoleh f1 score dengan nilai 0,900. pada klasifikasi enhanced adapun klasifikasi deteksi anomlai kategori 1 pada precision dengan nilai 0,873 menghasilkan recall 0,898 kemudian memperoleh f1 score dengan nilai 0,885. klasifikasi deteksi anomali kategori 2 pada precision dengan nilai 0,955 menghasilkan recall 0,968 kemudian memperoleh f1 score dengan nilai 0,960. proses penyortiran yang otomatis dan cepat mengurangi waktu dan tenaga kerja yang diperlukan dibandingkan dengan metode manual. kata kunci : emping melinjo, klasifikasi, deteksi anomali, pengolahan citra.

Abstract Emping melinjo is a light snack in the form of chips made from flattened melinjo seeds. There are several types of emping melinjo, including thick and thin varieties. Classification is a data mining method used to find a set of models that can distinguish data classes or concepts. The purpose of this research is to develop image processing technology and deep learning-based anomaly detection for emping melinjo. The Deep Learning-based Anomaly Detection method can be used to identify emping that deviates from predetermined quality standards. By analyzing image data, the model can provide an Anomaly Score that determines automatic decision-making or sorting. Based on the evaluation results of emping melinjo classification, the Compact classification achieved a precision of 0.882, recall of 0.867, and F1 Score of 0.865. The AlexNet classification achieved a precision of 0.900, recall of 0.900, and F1 Score of 0.900. For anomaly detection, category 1 achieved a precision of 0.873, recall of 0.898, and F1 Score of 0.885, while category 2 achieved a precision of 0.955, recall of 0.968, and F1 Score of 0.960. The automated and rapid sorting process reduces the time and labor required compared to manual methods. Keyword : Emping Melinjo, Classification, Anomaly Detection, Image Processing.