Tugas Akhir - 2009

KLASIFIKASI JENIS DAGING KONSUMSI BERDASAR ANALISIS TEKSTUR

DENGAN PENGOLAHAN CITRA

Gandhi Yogiarto¹, Achmad Rizal², Koredianto Usman³

¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom

Abstrak
Pada masa ini, beberapa pedagang daging konsumsi yang melakukan tindakan pencampuran
daging yang sangat merugikan konsumen yang beragama islam, seperti daging sapi dengan
daging babi, daging kambing dengan daging anjing . Setelah fenomena tersebut diamati, maka
pada tugas akhir ini akan diklasifikasikan jenis daging konsumsi dengan teknik pengolahan citra
untuk dianalisis teksturnya. Jenis daging yang diklasifikasikan antara lain sapi, babi,kambing,
anjing, dan ayam.
Dalam tugas akhir ini dibangun sistem yang dapat mengklasifikasikan daging – daging konsumsi
tersebut. Langkah awal yaitu dilakukan preprocessing pada daging konsumsi dengan mengubah
citra RGB ke citra grayscale. Pada citra grayscale kemudian akan diambil ekstraksi ciri daging –
daging konsumsi tersebut dengan menggunakan ciri orde satu dan ciri orde dua. Parameter -
parameter pada ciri orde satu dan ciri orde dua dikumpulkan kemudian dimasukkan pada metode
klasifikasi dengan menggunakan k – Nearest Neighbor sehingga sistem bisa mengklasifikasikan
jenis daging – daging konsumsi tersebut.
Pada tugas akhir ini menggunakan dua jenis data yaitu database citra latih dan masukan citra –
citra uji. Jumlah database citra latih 250 buah dengan perincian 50 citra untuk setiap daging
konsumsi. Jumlah masukan citra uji ada 300 buah dengan perincian 250 buah citra daging
konsumsi untuk klasifikasi dan 50 buah citra untuk verifikasi. Ada tiga langkah percobaan pada
tugas akhir ini yaitu pertama,, pada sistem tidak dilakukan verifikasi dengan memasukkan 250
citra uji daging konsumsi maka tingkat akurasi optimal didapatkan ketika k – Nearest Neighbor
memakai k = 2 dengan aturan jarak city block sebesar 82,8 %. Kedua, dilakukan verifikasi pada
sistem optimal dengan menambahkan 250 citra uji dengan 50 citra verifikasi dan pemberian nilai
threshold. . Tingkat akurasi optimal dengan verifikasi didapatkan pada nilai threshold 50.000
yaitu 82,33 %. Terakhir , Citra – citra uji dibuat menjadi motion blur, ternyata pada sistem
verifikasi dengan threshold 50.000 tingkat akurasi menurun drastis sebesar 37,33 %.

Kata Kunci : pengolahan citra, daging, ciri orde satu, ciri orde dua, k – Nearest Neighbor.

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

 Tugas Akhir - 2009

Abstract
Nowadays, some of consumption meats sellers are mixing meats, which are forbidden for Muslim
people, such as cow meats with pig meats, goat meats with dog meats. After that phenomenon is
watched then on this thesis will do classification kind of consumption meats with image
processing for analyzing its texture. Consumption meats are used for classification such as cow,
pig, goat, dog, and chicken.
On this thesis system for classification consumption meats will be build on some step. First, do
preprocessing of consumption meats by change RGB picture to grayscale picture. On the
grayscale picture then feature extraction will be taken by use first and second order feature.
Parameters on the first and second order feature are fall in then will be input to classification
method with k – Nearest Neighbor so system can do classification for that consumption meats.
On this thesis use two kinds of samples, such as database train samples and input test samples.
Amount of database train samples are about 250 pictures with 50 pictures for each consumption
meats. Amount of input test samples are about 300 pictures with 250 pictures of consumption
meats for classification and 50 pictures for verification. There are three steps experiment on this
thesis. First, system with no verification by input 250 test samples picture of consumption meats.
Then optimal accuracy level is got when use k – Nearest Neighbor with k = 2 city block distance,
about 82,8 %. Second, does verification for system no verification with optimal accuracy level by
add input 50 pictures for verification on the 250 test samples picture of consumption meats and
add value of threshold. Optimal accuracy level on system with verification is got on threshold
value is 50.000 about 82,33%. Last, each picture of test samples are changed to motion blur, then
accuracy level on the system with verification by threshold 50.000 sharply decreased to 37,33 %

Keywords : image processing, meats, first order feature, second order feature, k – Nearest

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

BAB I
PENDAHULUAN

1.1 Latar Belakang

Daging adalah salah satu bahan makanan utama yang dikonsumsi oleh manusia. Jenis –
jenis daging yang biasa dikonsumsi adalah daging sapi, kambing, ayam, babi, dll. Daging-
daging tersebut dikonsumsi manusia karena banyak mengandung protein yang tinggi,
sehingga dapat meningkatkan kecerdasan dan menambah stamina yang sangat dibutuhkan
manusia untuk menjalani aktifitas kehidupan sehari-hari.
Karena tingkat konsumsi daging yang sangat tinggi maka daging-daging konsumsi
tersebut banyak ditemukan di pasar. Normalnya, daging-daging kosumsi tersebut dijual oleh
pedagang sesuai dengan jenisnya, tetapi karena ada beberapa pedagang khususnya di
Indonesia ingin memperoleh keuntungan yang sebesar-besarnya maka beberapa pedagang
tersebut melakukan tindakan pencampuran daging konsumsi. Jenis daging konsumsi yang
biasanya dicampur antara lain, daging sapi dengan babi atau anjing. Para konsumen banyak
yang tidak menyadari tindakan pencampuran daging-daging konsumsi tersebut karena secara
kasat mata daging sapi plus babi atau anjing susah sekali dibedakan oleh orang awam.
Tindakan pencampuran ini sangat merugikan konsumen khususnya yang merupakan umat
muslim yang diharamkan mengkonsumsi daging babi dan anjing.
Setelah fenomena yang terjadi di masyarakat tersebut diamati, maka dibuat sistem
simulasi yang dapat membedakan daging-daging konsumsi seperti sapi, babi, ayam, kambing,
dan anjing dengan mengambil citra dari masing – masing daging konsumsi, lalu dibedakan
dengan menggunakan metode-metode pengolahan citra.
1.2 Tujuan
Tujuan dari penulisan Tugas Akhir ini adalah :
1. Merancang dan membangun program aplikasi yang berfungsi untuk
mengklasifikasikan daging konsumsi berdasarkan citra daging konsumsi
menggunakan ciri orde satu, ciri orde dua, dan k-Nearest Neighbor.
2. Menganalisis performansi program aplikasi pengklasifikasian daging konsumsi
dengan parameter tingkat akurasi identifikasi jenis daging konsumsi.

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

 Tugas Akhir - 2009

1.3 Rumusan Masalah

Adapun masalah yang diangkat dan dijadikan obyek penelitian dalam Tugas Akhir ini
adalah :
1. Pembuatan program aplikasi pengklasifikasian daging konsumsi berdasarkan citra
daging konsumsi menggunakan ciri orde satu, ciri orde dua, dan k-Nearest
Neighbor.
2. Membandingkan parameter k dan aturan jarak pada k – Nearest Neighbor untuk
mendapatkan tingkat akurasi yang optimal.
3. Melakukan verifikasi pada pada sistem dengan tingkat akurasi optimal dengan
pemberian nilai threshold.
1.4 Batasan Masalah
Untuk menghindari meluasnya materi pembahasan Tugas Akhir ini, maka penulis
membatasi permasalahan dalam Tugas Akhir ini hanya mencakup hal-hal berikut :
1. Obyek yang diguanakan untuk sistem simulasi adalah citra digital RGB dari daging
konsumsi dengan format citra yang digunakan yaitu *.bmp.
2. Alat yang digunakan adalah mikroskop digital dino-lite AM-211.
3. Daging konsumsi yang akan dipakai untuk pengambilan data adalah:
a) Daging sapi.
b) Daging ayam.
c) Daging anjing.
d) Daging babi.
e) Daging kambing.
4. Citra latih sebanyak 250 buah citra daging konsumsi.
5. Citra uji sebanyak 300 buah yaitu 250 buah citra untuk klasifikasi dan 50 citra untuk
verifikasi
6. Metode yang digunakan untuk ekstraksi ciri citra adalah ciri orde satu dan ciri orde
dua.
7. Proses klasifikasi yang akan dilakukan menggunakan k-Nearest Neighbor.
8. Performansi sistem diukur dengan menggunakan tingkat akurasi.
9. Software yang digunakan yaitu Matlab R2006b.

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

 Tugas Akhir - 2009

1.5 Metologi Penelitian

Metode penelitian Tugas Akhir ini meliputi beberapa tahapan, antara lain sebagai
berikut:
1. Studi literatur
Bertujuan untuk mempelajari dasar teori dari literatur-literatur mengenai
pengklasifikasian citra daging konsumsi, diantaranya:
a. Mempelajari tentang pengolahan citra.
b. Mempelajari tentang ekstraksi ciri menggunakan ciri orde satu dan ciri orde dua.
c. Mempelajari tentang klasifikasi ciri menggunakan k-Nearest Neighbor.
2. Pengumpulan data
Bertujuan untuk mendapatkan data citra daging konsumsi yang akan digunakan
sebagai masukan sistem.
3. Studi pengembangan aplikasi
Bertujuan untuk menentukan metodologi pengembangan sistem yang digunakan
dengan pendekatan terstruktur dan melakukan analisis perancangan.
4. Implementasi program aplikasi
Bertujuan untuk melakukan implementasi metode pada program aplikasi sesuai
dengan perancangan yang telah dilakukan.
5. Analisis performansi
Bertujuan untuk melakukan analisis performansi berupa tingkat akurasi dari sistem
simulasi yang cara pengklasifikasian dengan k-Nearest Neighbor
6. Pengambilan kesimpulan
Bertujuan untuk menarik kesimpulan setelah melakukan pecobaan pengklasifikasian
daging – daging konsumsi.
1.6 Sistematika Penulisan
Adapun sistematika penulisan dari tugas akhir ini, yaitu :
BAB I : PENDAHULUAN
Bab ini membahas mengenai latar belakang permasalahan, perumusan masalah, batasan
masalah, tujuan penulisan, metode penyelesaian masalah serta sistematika penulisan
pada Tugas Akhir ini.

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

 Tugas Akhir - 2009

BAB II : DASAR TEORI

Bab ini membahas tentang teori – teori yang mendukung dan mendasari penulisan tugas
akhir ini.
BAB III : PEMODELAN DAN SIMULASI SISTEM
Bab ini membahas bagaimana proses perancangan program sistem simulasi guna
pengklasifikasian citra daging konsumsi.
BAB IV : ANALISA HASIL SIMULASI
Bab ini menguraikan hasil dan analisa dari beberapa percobaan pada program simulasi
yang telah dibuat.
BAB V : PENUTUP
Bab ini berisi kesimpulan hasil penelitian dan saran untuk tugas akhir ini.

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

BAB V
PENUTUP

5.1 Kesimpulan
Dari percobaan yang dilakukan dalam tugas akhir ini dapat diperoleh beberapa
kesimpulan sebagai berikut :
1. Tingkat akurasi optimal pada sistem simulasi tanpa verifikasi didapatkan pada k = 2
dengan aturan jarak city block adalah sebesar 82,8 %.
2. Tingkat akurasi optimal pada sistem simulasi dengan verifikasi didapatkan dengan
memakai nilai threshold = 50.000 pada k = 2 dengan aturan jarak city block adalah
sebesar 82,33 %.
3. Bila citra – citra uji mengalami motion blur maka tingkat akurasi dengan verifikasi
dengan threshold = 50.000 pada k = 2 dengan aturan jarak city block mengalami
penurunan drastis yaitu sebesar 37,33 %.
4. Untuk mengatasi masalah citra – citra uji yang mengalami motion blur maka alat optik
yang digunakan untuk proses akusisi harus diberi dudukan atau dipegang dengan kuat
dan tenang agar tetap stabil.

5.2 Saran
Untuk penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan yang ada baik
cara ekstraksi ciri dari citra daging konsumsi maupun cara pengklasifikasinya. Untuk itu
disarankan sebagai berikut :
1. Proses pre-processing sebaiknya ditambah dengan deteksi tepi selain grayscale agar
dapat membedakan tipe – tipe serat pada setiap citra daging konsumsi selain nilai
histogramnya.
2. Diperlukan metode ekstraksi ciri yang lain yang mungkin dapat menghasilkan tingkat
akurasi yang lebih baik seperti gabor wavelet, haar wavelet, dll.
3. Proses klasifikasi bisa dicoba dengan metode klasifikasi lain seperti jaringan syaraf
tiruan Backpropagation (JST-BP).
4. Dapat ditambahkan dengan daging lain seperti kerbau, kuda, dll.

46

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

DAFTAR PUSTAKA

[1] Rinaldi Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Bandung,
2004.
[2] P. Cunningham, S.J. Delany, k-Nearest Neighbor Classifiers, UCD-CSI, 2007.
[3] Modul 6 Analisis Tekstur & ekstraksi ciri, http://biomed.ee.itb.ac.id/
[4] Kardi Teknomo, K Nearest Neighbor Tutorial,
http://people.revoledu.com/kardi/tutorial/KNN/index.html, 2008.
[5] Selim Aksoy, Non Bayesian Classifiers Part I : k-Nearest Neighbor Classifier and
Distance Functions, Bilkent University, CS 551, 2008.
[6] Fei Xia, K nearest neighbor and Rocchio algorithm, LING 572, 2007.

47

Fakultas Teknik Elektro Program Studi S1 Teknik Telekomunikasi

Powered by TCPDF (www.tcpdf.org)