Publisher

UNPRIUNPRI

Journal Jurnal Teknologi dan Ilmu Komputer Prima (JUTIKOMP)Jurnal Teknologi dan Ilmu Komputer Prima (JUTIKOMP) Abstract

Kualitas minyak goreng memiliki peran penting dalam menjaga kesehatan masyarakat; oleh karena itu, metode yang praktis dan mudah diakses diperlukan untuk menilai keberfungsian minyak tersebut. Penelitian ini bertujuan menerapkan pendekatan Vision Artificial Intelligence (Vision AI) berbasis Convolutional Neural Networks (CNN), khususnya MobileNetV2 dengan transfer learning, untuk mengklasifikasikan keberfungsian minyak goreng rumah tangga yang dikemas menggunakan gambar visual. Dataset terdiri dari gambar minyak goreng yang dikategorikan menjadi dua kelas: layak dan tidak layak. Metode penelitian meliputi akuisisi gambar, pra‑proses data, pelatihan model, dan evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1‑score. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi 83,33 % pada dataset uji, dengan presisi 78,57 %, recall 91,67 %, dan F1‑score 84,62 %. Evaluasi menggunakan 5‑fold cross‑validation menghasilkan rata‑rata akurasi 86,6 % dalam skenario terbaik, menunjukkan kemampuan generalisasi model yang baik, meskipun distribusi data yang lebih menantang menurunkan akurasi rata‑rata menjadi 58,1 %. Proses pelatihan menampilkan pola pembelajaran yang stabil, ditandai dengan peningkatan akurasi dan penurunan nilai loss melalui epoch. Keseluruhan temuan menunjukkan bahwa pendekatan Vision AI memiliki potensi kuat untuk dijadikan sistem pendukung keputusan non‑destruktif dalam menilai keberfungsian minyak goreng berdasarkan analisis citra visual. Namun, diperlukan perbaikan lebih lanjut, terutama dalam meningkatkan ketahanan model, mengurangi kesalahan positif palsu, dan meningkatkan konsistensi kinerja di berbagai distribusi data.

Conclusion

Model Vision AI berbasis MobileNetV2 dapat mengklasifikasikan keberfungsian minyak goreng dengan akurasi 83,33 % pada data uji dan rata‑rata akurasi 86,6 % pada cross‑validation.Model menunjukkan pola pelatihan yang stabil namun masih rentan terhadap kesalahan positif palsu, yang dapat menimbulkan risiko kesehatan.Oleh karena itu, perlu dilakukan peningkatan dataset, augmentasi data, dan kalibrasi probabilitas untuk meningkatkan keandalan sistem di dunia nyata.

Future Research

Pertama, dilakukan penelitian ulang dengan memperluas dataset gambar minyak goreng yang mencakup berbagai merek, kondisi pencahayaan, dan tingkat pemakaian, sehingga model dapat belajar pola visual yang lebih beragam dan meningkatkan generalisasi. Kedua, dieksplorasi penerapan teknik augmentasi data lanjutan—seperti perubahan kecerahan, kontras, dan blur—bersamaan dengan strategi ensemble learning guna mengurangi bias pada kelas tidak layak dan memperkecil kesalahan positif palsu. Ketiga, dikembangkan sistem multimodal yang menggabungkan data visual dengan informasi kimia (misalnya nilai TPC, FFA) atau sensor tambahan, sehingga model tidak hanya bergantung pada warna dan kebersihan, tetapi juga memperoleh indikasi degradasi lebih dalam, meningkatkan akurasi dan keandalan dalam aplikasi nyata.

Metadata

File size	689.09 KB
Pages	16
DMCA	Report