<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="158947">
 <titleInfo>
  <title>KLASIFIKASI EMPING MELINJO MENGGUNAKAN DETEKSI ANOMALI</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Saifina Ramadhani</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Pertanian</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Abstrak&#13;
&#13;
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.&#13;
&#13;
&#13;
Kata Kunci : Emping Melinjo, Klasifikasi, Deteksi Anomali, Pengolahan Citra.&#13;
&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>158947</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-07-08 13:09:03</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-07-08 14:51:30</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>