Telur ayam merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Menurut Badan Pusat Statistik (BPS), telur yang paling banyak dikonsumsi oleh masyarakat adalah telur ayam ras. Produksi telur dipeternakan yang tinggi harus diikuti dengan pemilihan telur yang baik. Metode pemilihan di peternakan ayam belum memanfaatkan teknologi dengan optimal karena sedikitnya metode untuk pemilihan telur dengan teknologi. Untuk menjaga kualitas telur ayam yang beredar di indonesia, diperlukan sistem yang dapat mengidentifikasi telur ayam yang mudah digunakan oleh peternak. Kualitas telur ayam ditentukan oleh bagian luarnya. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan. Berdasarkan hal tersebut, maka disediakan solusi klasifikasi telur ayam menggunakan algoritma Convolutional Neural Network (CNN). Dataset terdiri dari 1000 citra telur bagian cangkang yang dikategorikan ke dalam 3 kelas: kelas bersih, berbintik, dan warna. Model CNN yang dirancang memiliki arsitektur dengan beberapa lapisan konvolusi, pooling, dan fully connected layer. Hasil pengujian arsitektur CNN dengan parameter terbaik menghasilkan akurasi sebesar 0,9 pada data uji, dengan arsitektur Yolov5, learning rate 0,001, dan epoch 20. Sistem ini diharapkan dapat membantu peternakan ayam dalam meningkatkan efisiensi peroses penyortiran telur secara otomatis dan mengurangi kesalahan manusia. Pengembangan lebih lanjut dapat dilakukan dengan meningkatkan variasi dataset.

Chicken eggs are a widely consumed source of protein in Indonesia, with broiler chicken eggs being the most popular according to the Central Statistics Agency (BPS). High egg production on farms must be accompanied by effective selection methods to ensure quality. However, current egg selection processes in chicken farms have not fully utilized technology, largely due to a lack of technological integration in egg grading methods.
To maintain the quality of chicken eggs distributed in Indonesia, a user-friendly system is needed for farmers to identify and classify eggs efficiently. Egg quality is primarily determined by external characteristics. Previous research developed an invasive egg grading system with an accuracy rate of 80%, but it required breaking the eggs, rendering it impractical for non-destructive grading.
To address this limitation, this study proposes a chicken egg classification system using the Convolutional Neural Network (CNN) algorithm. The dataset comprises 1,000 egg shell images categorized into three classes: clean, spotted, and color. The CNN model was designed with an architecture consisting of multiple convolutional, pooling, and fully connected layers. Testing of the CNN architecture with optimal parameters—using the Yolov5 model, a learning rate of 0.001, and 20 epochs—achieved a test accuracy of 90%.
This system is expected to improve the efficiency of automatic egg sorting processes and reduce human error in chicken farms. Future development may focus on increasing dataset diversity to enhance system robustness and adaptability to varying egg characteristics.