Electronic Theses and Dissertation

Otentikasi telur ayam organik merupakan upaya krusial dalam menjamin keaslian produk serta mendukung transparansi rantai pasok pangan. Penelitian ini bertujuan untuk mengevaluasi potensi pemanfaatan citra optik cangkang telur sebagai data visual dalam proses otentikasi telur ayam organik menggunakan model Convolutional Neural Network (CNN). Citra cangkang telur diperoleh dari tiga kelompok ayam berdasarkan jenis pakan yang diberikan, yaitu ayam dengan pakan organik, nonorganik, dan campuran (organik dan nonorganik). Arsitektur CNN yang digunakan dalam penelitian ini adalah MobileNetV2, yang memiliki kemampuan mengekstraksi fitur visual secara efisien dengan beban komputasi yang ringan. Dataset penelitian terdiri atas tiga kelas utama, yaitu telur organik, nonorganik, dan campuran. Evaluasi performa klasifikasi dilakukan menggunakan confusion matrix dan classification report dengan metrik akurasi, precision, recall, serta F1-score. Berdasarkan hasil pengujian, model MobileNetV2 mencapai akurasi sebesar 88%, dengan nilai rata-rata precision, recall, dan F1-score masing-masing sebesar 89%, 88%, dan 88%. Hasil ini menunjukkan bahwa citra optik mampu merepresentasikan karakteristik telur ayam organik secara efektif. Variasi tekstur dan warna pada permukaan cangkang telur dapat dikenali dengan baik oleh model, sehingga fitur optik berpotensi dijadikan representasi visual yang relevan dalam proses otentikasi. Dengan demikian, pendekatan berbasis CNN dengan arsitektur MobileNetV2 menunjukkan potensi yang menjanjikan sebagai metode otentikasi visual untuk telur ayam organik.
Kata Kunci: Otentikasi Telur Ayam Organik, Convolutional Neural Network (CNN), MobileNetV2, Citra optik Cangkang telur, Klasifikasi citra

Authentication of organic chicken eggs is a crucial effort to ensure product authenticity and to support transparency within the food supply chain. This study aims to evaluate the potential of utilizing optical images of eggshells as visual data for the authentication of organic chicken eggs using a Convolutional Neural Network (CNN) model. Eggshell images were collected from three groups of chickens based on the type of feed provided, namely organic, non-organic, and mixed (organic and nonorganic) feed. The CNN architectures employed in this study is MobileNetV2, which is capable of efficiently extracting visual features with a lightweight computational burden. The dataset consists of three main classes: organic, non-organic, and mixed eggs. Classification performance was evaluated using a confusion matrix and a classification report, employing accuracy, precision, recall, and F1-score as evaluation metrics. Experimental results show that the MobileNetV2 model achieved an accuracy of 88%, with average precision, recall, and F1-score values of 89%, 88%, and 88%, respectively. These results indicate that optical images can effectively represent the characteristics of organic chicken eggs. Variations in texture and color on the eggshell surface can be accurately recognized by the model, suggesting that optical features serve as a relevant visual representation for the authentication process. Therefore, the CNN-based approach with the MobileNetV2 architecture demonstrates promising potential as a visual authentication method for organic chicken eggs Keyword : Convolutional Neural Network (CNN), Mobilenetv2, Optical Image Of Egg Shell, Organic Chicken Egg Authentication, Image Classification