Perancangan Model Machine Learning Deteksi Kualitas Bahan Baku Produk Keripik Kentang

Lubis, Sabila Jannah (2025) Perancangan Model Machine Learning Deteksi Kualitas Bahan Baku Produk Keripik Kentang. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (318kB)
	Text (BAB I) BAB I.pdf - Published Version Download (339kB)
	Text (BAB VI) BAB VI.pdf - Published Version Download (291kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (262kB)
	Text (Skripsi Full Text) Fulltext.pdf - Published Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Sektor industri pengolahan makanan membutuhkan kualitas bahan baku yang baik dalam memastikan keberhasilan mutu produk akhir. Salah satu olahan industri yang dikenal oleh masyarakat luas adalah keripik kentang. Pengolahan keripik kentang memerlukan bahan baku yang unggul untuk memastikan produk akhir sesuai dengan standar. Namun, tingginya permintaan produk keripik kentang sering kali menyebabkan pengendalian kualitas bahan baku secara manual menghadapi berbagai kendala, seperti keterbatasan tenaga kerja, ketidakakuratan hasil, dan biaya pengendalian yang tinggi. Oleh karena itu, diperlukan solusi berbasis teknologi untuk meningkatkan efisiensi dan konsistensi kontrol kualitas bahan baku. Penelitian ini menggunakan algoritma Convolutional Neural Network (CNN) dan You Only Look Once (YOLO) untuk mendeteksi kualitas kentang berdasarkan citra tekstur dan tingkat kebusukan. Algoritma ini mendukung otomasi proses kontrol kualitas dengan menganalisis citra secara akurat dan konsisten. Metode YOLO mampu mendeteksi kerusakan kentang secara real-time dengan kecepatan dan akurasi yang tinggi, sedangkan CNN mampu mengolah data citra mendalam untuk mengidentifikasi pola-pola kerusakan kentang yang kompleks. Hasil penelitian menunjukkan bahwa model deteksi kualitas bahan baku kentang terbaik menggunakan model You Only Look Once (YOLO) menggunakan 20 epoch dengan tingkat presisi akhir yaitu 88,1 %, recall sebesar 77,9%, dan F-1 Score 83%. Penggunaan model menunjukkan deteksi yang signifikan dengan kecepatan 12ms per gambar. Pengintegrasian model memungkinkan proses otomatisasi pengendalian kualitas produksi dalam menangani tugas berulang, kemungkinan kesalahan, human error, dan peningkatan efisiensi kerja.

Actions (login required)

View Item