DETEKSI KEHALALAN BAHAN MAKANAN PADA PRODUK KEMASAN MENGGUNAKAN OPTICAL CHARACTER RECOGNITION (OCR) DAN MULTI-LAYER PERCEPTRON (MLP)

Kehalalan bahan makanan pada produk kemasan merupakan aspek kritis bagi konsumen Muslim. Namun, informasi komposisi pada label sering kali disajikan dalam format yang beragam, sehingga menyulitkan identifikasi status halal secara manual. Penelitian ini bertujuan untuk mendeteksi kehalalan pada produk makanan kemasan dengan mengintegrasikan Optical Character Recognition (OCR) untuk ekstraksi teks dan Multi-Layer Perceptron (MLP) untuk klasifikasi. Dataset sebanyak 55149 data komposisi produk dikumpulkan dari berbagai sumber seperti OpenFoodFacts dan Kaggle, yang kemudia melalui tahap prapemprosesan teks (case folding, stopword removal) dan pelabelan otomatis menjadi kelas halal atau haram berdasarkan daftar bahan haram dari sumber resmi internasional. Teks komposisi yang telah dibersihkan diubah menjadi representasi numerik menggunakan TF-IDF (Term Frequency-Inverse Document Frequency) sebelum diproses oleh model MLP. Arsitektur terbaik adalah MLP dengan dua lapisan tersembunyi berisi 16 dan 8 neuron, dengan optimizer Adam dan fungsi binary cross-entropy. Hasil evaluasi menunjukkan performa yang konsisten di berbagai skenario pembagian dataset (80:20, 70:30, 60:40), dengan akurasi, presisi, recall, dan F1-Score mencapai 94-95%. Hasil ini menunjukkan bahwa kombinasi OCR dan MLP mampu memberikan solusi otomatis yang efektif dan efisien untuk mendeteksi status halal produk makanan kemasan.