RidhoTullah, Ahmad Faisal (2026) Nakula: Pengembangan Sistem Cerdas Klasifikasi Kualitas Telur Ayam Bebasis IoT Menggunakan CNN. Diploma thesis, Politeknik Negeri Jember.
![[img]](https://sipora.polije.ac.id/style/images/fileicons/text.png) |
Text (Ringkasan)
Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (91kB) |
|
Text (Bab 1 Pendahuluan)
Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (168kB) |
|
Text (Daftar Pustaka)
Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (143kB) |
|
Text (Laporan Lengkap)
Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (4MB) | Request a copy |
Abstract
Proses sortir telur ayam di banyak peternakan masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan. Untuk mengatasi masalah tersebut, dikembangkan sistem NAKULA, yaitu sistem klasifikasi kualitas telur ayam berbasis Internet of Things (IoT) menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sistem NAKULA menggunakan ESP32 sebagai pengendali utama, ESP32 CAM untuk pengambilan citra telur, sensor Load Cell HX711 untuk mengukur berat telur, sensor IR Obstacle untuk mendeteksi keberadaan telur, serta robot arm sebagai aktuator penyortiran. Citra telur diproses menggunakan model CNN untuk mengklasifikasikan telur ke dalam empat kategori, yaitu Grade A, Grade B, Grade C, dan Tidak Layak (TL). Hasil klasifikasi kemudian dikombinasikan dengan data berat telur dan ditampilkan secara real-time melalui aplikasi mobile berbasis React Native.Hasil pengujian menunjukkan bahwa model CNN berbasis MobileNetV2 berhasil mencapai akurasi validasi sebesar 95,49% dengan rata-rata F1-score sebesar 95,3%. Pada pengujian sistem terintegrasi yang dilakukan langsung di lapangan menggunakan 100 butir telur selama lima sesi pengujian, sistem memperoleh akurasi sebesar 72,0%. Sensor Load Cell menunjukkan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,02%, dan sensor IR Obstacle berfungsi dengan baik. Aplikasi mobile NAKULA berhasil menampilkan data klasifikasi secara real-time serta mampu mengendalikan kecepatan conveyor melalui koneksi jaringan IoT.
Actions (login required)
 |
View Item |
