Article Details
Analisis Integrasi Algoritma YOLOv8 dan CNN terhadap Klasifikasi Kualitas Telur Ayam Ras Petelur di Kabupaten Manokwari
Integration Analysis of the YOLOv8 and CNN Algorithms on the Classification of Egg Quality of Laying Hens in Manokwari Regency
Main Article Content
Penilaian mutu telur ayam petelur umumnya masih dilakukan secara manual sehingga rentan terhadap subjektivitas dan ketidakkonsistenan hasil, sementara kebutuhan akan proses grading yang cepat dan akurat semakin meningkat. Penelitian ini dilakukan untuk mengembangkan model klasifikasi mutu telur berbasis warna dan bentuk kerabang dengan memanfaatkan algoritma YOLOv8 dan Convolutional Neural Network (CNN). Data dikumpulkan dari peternak lokal di Kabupaten Manokwari menggunakan metode Stratified Random Sampling dan menghasilkan 957 citra telur yang diberi label berdasarkan pedoman SNI 3926:2023. Proses preprocessing meliputi penyesuaian ukuran citra menjadi 640×640 piksel, normalisasi, serta augmentasi variasi pencahayaan dan sudut. YOLOv8 digunakan untuk mendeteksi posisi telur, sementara EfficientNet-B0 sebagai CNN digunakan untuk klasifikasi tiga tingkat mutu telur. Hasil penelitian menunjukkan bahwa YOLOv8 mampu mendeteksi objek dengan performa sangat baik dengan nilai [email protected] sebesar 0.980, precision 0.97, dan recall 0.95, sedangkan model CNN mencapai akurasi validasi 91.9% dengan performa stabil pada seluruh kelas. Integrasi kedua model menghasilkan sistem yang mampu bekerja secara real-time dengan kecepatan 20–35 FPS dan dapat menghitung jumlah telur per grade secara otomatis. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kombinasi YOLOv8 dan CNN mampu memberikan solusi yang cukup akurat untuk proses grading telur ayam petelur serta berpotensi diterapkan pada sistem sortasi pascapanen skala produksi.
Received: 09 Dec 2025; Accepted: 17 Mar 2026; Available Online: 05 May 2026;
Bumbálek, R., Umurungi, S. N., Ufitikirezi, J. de D. M., Zoubek, T., Kuneš, R., Stehlík, R., Lin, H.-I., & Bartoš, P. (2025). Deep learning in poultry farming: comparative analysis of Yolov8, Yolov9, Yolov10, and Yolov11 for dead chickens detection. Poultry Science, 104(9), 105440. https://doi.org/10.1016/j.psj.2025.105440
Chandra, R. S., Handayani, H. H., Cahyana, & Yana. (2025). Penerapan Algoritma Convolutional Neural Netwrok (CNN) Untuk Deteksi Telur Bebek Fertil Dan Infertil. Scientific Student Journal for Information, Technology and Science, 6, 1–9. https://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/1309/836
Cheng, Y., Huang, Y., Zhang, J., Zhang, X., Wang, Q., & Fan, W. (2024). Robust Detection of Cracked Eggs Using a Multi-Domain Training Method for Practical Egg Production. Foods, 13(15), 2313. https://doi.org/10.3390/foods13152313
Hariyanto, M., Kholiq, M., Yani, A., & Narti. (2020). Perbandingan Algoritma Yolov3 Dan Yolov4 Dalam Pengelompokan Ukuran Telur Ayam Secara Real Time Lysheeba. Inti Nusa Mandiri, 14(2), 133–138. https://doi.org/10.33480/inti.v19i1.5699
Jiang, T., Zhou, J., Xie, B., Liu, L., Ji, C., Liu, Y., Liu, B., & Zhang, B. (2024). Improved YOLOv8 Model for Lightweight Pigeon Egg Detection. Animals, 14(8), 1226. https://doi.org/10.3390/ani14081226
Kamaruddin, A., Monim, H., Mulyadi, M., & Sambodo, P. (2020). Kualitas Fisik Telur Ayam Petelur pada Tingkat Pelaku Usaha di Kabupaten Manokwari Provinsi Papua Barat. Jurnal Ilmu Peternakan Dan Veteriner Tropis (Journal of Tropical Animal and Veterinary Science), 10(2), 128. https://doi.org/10.46549/jipvet.v10i2.111
Khairy, K., & Candra, F. (2025). Evaluasi Kinerja YOLOv8 dalam Klasifikasi Kualitas Telur Berbasis Warna dan Tekstur Cangkang. 17(3), 326–339. https://doi.org/10.22303/csrid-.17.3.2025.326-339
Li, J., Ma, W., Wei, Y., & Wang, T. (2025). Enhanced YOLOv8 for Robust Pig Detection and Counting in Complex Agricultural Environments. Animals, 15(14), 2149. https://doi.org/10.3390/ani15142149
Lim, W. S., Kang Lai, D. J., Lim, S. T., & Yeo, B. C. (2024). Vision-based Egg Grading System using Support Vector Machine. International Journal on Robotics, Automation and Sciences, 6(1), 13–19. https://doi.org/10.33093/ijoras.2024.6.1.3
Manurung, D. G., Pinasthika, M. R., Vasya, M. A. O., Putri, R. A. D. S., Tampubolon, A. P., Prayata, R. F., Nisa, S. K., & Yudistira, N. (2024). Deteksi Dan Klasifikasi Hama Potato Beetle Pada Tanaman Kentang Menggunakan YOLOV8. Jurnal Teknologi Informasi Dan Ilmu Komputer, 11(4), 723–734. https://doi.org/10.25126/jtiik.1148092
Nasri, H., van den Brand, H., Najar, T., & Bouzouaia, M. (2020). Interactions between egg storage duration and breeder age on selected egg quality, hatching results, and chicken quality. Animals, 10(10), 1–18. https://doi.org/10.3390/ani10101719
Ningsih, S. A., Sutiani, R. A., Ulandari, N. M. S., & Saputra, R. A. (2024). Penerapan Algoritma Yolo Untuk Mendeteksi Kualitas Telur Ayam Berdasarkan Warna Cangkang. METHODIKA: Jurnal Teknik Informatika Dan Sistem Informasi, 10(2), 35–39. https://doi.org/10.46880/mtk.v10i2.3062
Philip, A. (2024). Optimizing Food101 Classification with Transfer Learning: A Fine-Tuning Approach Using EfficientNetB0. International Journal of Intelligent Information Systems, 13(4), 59–77. https://doi.org/10.11648/j.ijiis.20241304.11
Pratiwi, N., Sartika, Ti., & Komarudin. (2021a). Pengaruh Warna Kerabang Telur Terhadap Kualitas Telur Ayam KUB-2. Prosiding Seminar Teknologi Dan Agribisnis Peternakan VIII–Webinar, 698–703. https://jnp.fapet.unsoed.ac.id/index.php/psv/article/view/774
Pratiwi, N., Sartika, Ti., & Komarudin. (2021b). Pengaruh Warna Kerabang Telur Terhadap Kualitas Telur Ayam KUB-2. Prosiding Seminar Teknologi Dan Agribisnis Peternakan VIII–Webinar, 698–703. https://jnp.fapet.unsoed.ac.id/index.php/psv/article/view/774
SNI. (2023a). Penetapan SNI 3926:2023 Telur Ayam Konsumsi. http://sispk.bsn.go.id/SNI/DetailSNI/14328
SNI. (2023b). Penetapan SNI 3926:2023 Telur Ayam Konsumsi. http://sispk.bsn.go.id/SNI/DetailSNI/14328
Suryadi, S., & Arono, A. (2022). Gaya Retorika Bagian Metodologi Penelitian Pada Jurnal Nasional Terakreditasi Bidang Sosial Dan Humaniora. Diksa : Pendidikan Bahasa Dan Sastra Indonesia, 8(1), 1–11. https://doi.org/10.33369/diksa.v8i1.20988
Tang, R., Jun, T., Chu, Q., Sun, W., & Sun, Y. (2025). Small Object Detection in Agriculture: A Case Study on Durian Orchards Using EN-YOLO and Thermal Fusion. Plants, 14(17), 2619. https://doi.org/10.3390/plants14172619
Visen, & Charibaldi, N. (2025). Penerapan Object Detection Menggunakan Deep Learning Yolov8 Untuk Mengidentifikasi Sampah Anorganik (Maksimal Sepuluh Objek) Dalam Satu Citra. Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(1), 195–202. https://doi.org/10.25126/jtiik.2025129012
Wen, J., & He, J. (2024). Agricultural development driven by the digital economy: improved EfficientNet vegetable quality grading. Frontiers in Sustainable Food Systems, 8. https://doi.org/10.3389/fsufs.2024.1310042
Worang, P., Sondakh, E. H. B., Palar, C. K. M., Rumondor, D. B. J., & Wahyuni, I. (2022). Kualitas telur ayam ras yang dijual di pasar tradisional dan pasar modern Kota Manado. Zootec, 42(2), 138. https://doi.org/10.35792/zot.42.1.2022.41479
