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.
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
BAB I
PENDAHULUAN
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
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