Electronic Theses and Dissertation

Tanaman melinjo merupakan salah satu komoditas pertanian khas Indonesia, yang bijinya
diolah menjadi emping, produk makanan ringan dengan permintaan tinggi dipasar domestik
maupun internasional. Proses klasifikasi kualitas emping secara manual dianggap kurang
efisien dan memakan waktu sehingga belum mampu memenuhi permintaan pasar. Penelitian
ini bertujuan untuk mengembangkan sistem klasifikasi kualitas emping melinjo secara
otomatis dan real time menggunakan metode deep learning sehingga meningkatkan efisiensi
dan nilai jual. Sebanyak 2119 sampel emping melinjo dari Beureunuen, Pidie digunakan
yang dibagi menjadi 919 sampel untuk preprocessing data dan 1200 sampel untuk
pengaplikasi uji real time. Akuisisi citra dilakukan menggunakan kamera Infinix Note 30
dengan bantuan ring light. Kemudian data citra diolah menggunakan software MVTec
Halcon dengan empat arsitektur deep learning : AlexNet, MobileNet V2, ResNet 18, dan
ResNet 50. Data preprocessing dibagi menjadi 70% data latih, 15% data uji, dan 15% data
validasi untuk membangun model. pengaplikasian uji real time dilakukan menggunakan
conveyor belt dengan kecepatan 2 cm/s, kamera pada jarak 22 cm, dan tingkat kecerahan
ruangan 31 lux, di mana setiap model mengklasifikasikan 300 sampel. Hasil penelitian
menunjukkan bahwa arsitektur ResNet18 mencapai akurasi tertinggi sebesar 93,7%, diikuti
oleh AlexNet (91%), MobileNetV2 (84,7%), dan ResNet50 (84,7%). Model ResNet18
terbukti menjadi yang terbaik untuk tugas klasifikasi kualitas emping melinjo secara real
time, menjadi pilihan dan solusi untuk otomatisasi proses sortir dan peningkatan mutu
produk emping melinjo.

Melinjo plants are one of Indonesia's typical agricultural commodities, whose seeds are processed into chips, a snack product with high demand in the domestic and international markets. The manual quality classification process is considered inefficient and timeconsuming so that it is not able to meet market demand. This research aims to develop an automatic and real-time emping melinjo quality classification system using deep learning methods so as to increase efficiency and selling value. A total of 2119 samples of emping melinjo from Beureunuen, Pidie were used, which were divided into 919 samples for data preprocessing and 1200 samples for real-time test application. Image acquisition was carried out using an Infinix Note 30 camera with the help of a ring light. Then the image data was processed using MVTec Halcon software with four deep learning architectures: AlexNet, MobileNet V2, ResNet 18, and ResNet 50. The preprocessing data is divided into 70% training data, 15% test data, and 15% validation data to build the model. The application of the real time test was carried out using a conveyor belt with a speed of 2 cm/s, a camera at a distance of 22 cm, and a room brightness level of 31 Lux, where each model classified 300 samples. The results showed that the ResNet18 architecture achieved the highest accuracy of 93.7%, followed by AlexNet (91%), MobileNetV2 (84.7%), and ResNet50 (84.7%). The ResNet18 model has proven to be the best for the task of classifying the quality of emping melinjo in real time, becoming a choice and solution for automating the sorting process and improving the quality of emping melinjo products.