ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika ISSN(p): 2338-8323 | ISSN(e): 2459-9638 | Vol. 10 | No. 2 | Halaman 297 - 308 DOI : http://dx.doi.org/10.26760/elkomika.v10i2.297 April 2022 ELKOMIKA – 297 Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network NUR IBRAHIM 1 , SOFIA SA’IDAH 2 , BAMBANG HIDAYAT 3 , SJAFRIL DARANA 4 1,2,3 Universitas Telkom, Indonesia 4 Universitas Padjajaran, Indonesia Email: nuribrahim@telkomuniversity.ac.id Received 9 Agustus 2021 | Revised 14 September 2021 | Accepted 15 Oktober 2021 ABSTRAK Telur ayam negeri merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Untuk menjaga kualitas telur ayam negeri yang beredar di Indonesia, diperlukan sistem yang mampu mengidentifikasi grade telur ayam dan mudah digunakan oleh masyarakat. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan sehingga setiap sampel telur tersebut tidak dapat disimpan dalam waktu lama. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi grade telur ayam tanpa perlu memecahkan sampel telur ayam (non-invasive). Dengan menggunakan metode Convolutional Neural Network (CNN), sistem mampu mengidentifikasi grade telur ayam negeri pada tingkat akurasi 85,86% dengan arsitektur LeNet-5, optimizer Adam, learning rate 0,001, dan epoch 50. Kata kunci: telur ayam negeri, non-invasive, convolutional neural network, LeNet-5 ABSTRACT Local Chicken egg are one of the sources of protein that is widely consumed by the people of Indonesia. To maintain the quality of local chicken egg in the market, a system that can identified chicken egg’s grade and easy to use is needed. Previous research has developed an invasive chicken egg’s grade classification system with 80% accuracy. However, the system required egg sample to be cracked so the egg sample can’t be stored for too long. This research develop a non-invasive chicken egg’s grade classification system, which doesn’t require egg sample to be cracked. By using Convolutional Neural Network (CNN), system can identified chicken egg’s grade at 85,86% accuracy with LeNet-5 architecture, Adam optimizer, learning rate 0,001, and epoch 50. Keywords: local chicken egg, non-invasive, convolutional neural network, LeNet- 5