SKRIPSI

IDENTIFIKASI DAGING SAPI SEGAR DAN BEKU

MENGGUNAKAN METODE LEARNING VECTOR
QUANTIZATION

Disusun oleh :
Nama : Lilis Cahyono
NIM : 13111104

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS MERCU BUANA YOGYAKARTA
2018
 IDENTIFIKASI DAGING SAPI SEGAR DAN DAN BEKU
MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION

Disusun oleh :
Nama : Lilis Cahyono
NIM : 13111104

Skripsi ini diajukan untuk memenuhi persyaratan akademik sarjana pada

Program Studi Teknik Informatika, Fakultas Teknologi Informasi,
Universitas Mercu Buana Yogyakarta.

Yogyakarta, 9 Oktober 2018

Menyetujui Pembimbing

Supatman, S.T., M.T.

NIDN : 0509057202

i
 DAFTAR ISTILAH

No. Istilah Keterangan

1 JPG Joint Photograpic Group
2 LVQ Learning Vector Quantization
3 RGB Red Green Bllue

ii
 DAFTAR ISI

SKRIPSI ................................................................................................................... i
IDENTIFIKASI DAGING SAPI SEGAR DAN BEKU MENGGUNAKAN
METODE LEARNING VECTOR QUANTIZATION ........................................... i
IDENTIFIKASI DAGING SAPI SEGAR DAN DAN BEKU MENGGUNAKAN
METODE LEARNING VECTOR QUANTIZATION ........................................... i
DAFTAR ISTILAH ................................................................................................ ii
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR .............................................................................................. v
DAFTAR TABEL .................................................................................................. vi
BAB I ...................................................................................................................... 1
1.1 Latar Belakang .................................................................................................. 1
1.2 Rumusan Masalah ............................................................................................. 2
1.3 Tujuan Penelitian .............................................................................................. 2
1.4 Manfaat Penelitian ............................................................................................ 2
BAB II ..................................................................................................................... 3
2.1 Tinjauan Pustaka ............................................................................................... 3
2.2 Landasan Teori .................................................................................................. 5
2.2.1 Daging .............................................................................................................5
2.2.2 Citra Digital .....................................................................................................6
2.2.3 Preprocessing ..................................................................................................7
2.2.4 Wavelet ...........................................................................................................8
2.2.5 Jaringan Syaraf Tiruan ..................................................................................10
2.2.6 Learning Vector Quantization .......................................................................12
BAB III ................................................................................................................. 14
3.1 Bahan Penelitian.............................................................................................. 14
3.2 Alat Penelitian ................................................................................................. 14
3.3 Jalan Penelitian................................................................................................ 14
3.3.1 Akuisisi Data .................................................................................................15
3.3.2 Data ...............................................................................................................16

iii
3.3.3 Preprossesing ................................................................................................16
3.3.4 Wavelet .........................................................................................................17
3.3.5 Ektraksi Ciri ..................................................................................................19
3.3.6 Fitur Vector ...................................................................................................19
3.3.7 Learning Vector Quantization .......................................................................19
3.3.8 Perancangan Antarmuka Perangkat Lunak ...................................................23
BAB IV ................................................................................................................. 27
4.1 Hasil Penelitian ............................................................................................... 27
4.1.1 Akuisisi Citra ................................................................................................27
4.1.2 Preprosessing ................................................................................................28
4.1.2.1 Cropping.................................................................................................... 28
4.1.2.2 Grayscale ................................................................................................... 29
4.1.3 Wavelet .........................................................................................................29
4.1.3.1 Wavelet Level 1 ........................................................................................ 30
4.1.3.2 Wavelet Level 2 ........................................................................................ 30
4.1.3.3 Wavelet Level 3 ........................................................................................ 30
4.1.4 Ekstraksi Ciri.................................................................................................31
4.1.5 Fitur Vector ...................................................................................................31
4.1.6 Learning Vector Quantization .......................................................................31
4.1.7 Unjuk Kerja ...................................................................................................32
4.1.8 Analisis Dan Pembahasan .............................................................................36

iv
 DAFTAR GAMBAR

Gambar 2. 1 Transformasi Wavelet (Putra 2010).................................................... 9

Gambar 2. 2 Skema Transformasi Wavelet ( Putra 2000 ) .................................... 10
Gambar 2. 3 Perceptron (Siang, 2005) ................................................................. 12
Gambar 2. 4 Skema Transformasi Wavelet ........................................................... 13
Gambar 3. 1 Blok Diagram Penelitian .................................................................. 15
Gambar 3. 2 Akuisisi data daging sapi ................................................................. 15
Gambar 3. 3 Diagram Alir Proses Grayscale........................................................ 16
Gambar 3. 4 Diagram Alir Proses Wavelet ........................................................... 18
Gambar 3. 5 Topologi Jaringan LVQ ................................................................... 20
Gambar 3. 6 Diagram Alir Learning Vector Quantization ................................... 22
Gambar 3. 7 Perancangan Antar Muka Menu Utama ........................................... 23
Gambar 3. 8 Perancangan Antar Muka Menu Ekstraksi Ciri................................ 23
Gambar 3. 9 Perancangan Antar Muka Menu Pelatihan ....................................... 24
Gambar 3. 10 Perancangan Antar Muka Menu Pengujian .................................... 24
Gambar 3. 11 Desain Perancangan Antarmuka Pada Menu Pengujian Per Data . 25
Gambar 3. 12 Desain Perancangan Antarmuka Pada Menu Tentang ................... 25
Gambar 3. 13 Desain Perancangan Antarmuka Pada Menu Keluar ..................... 26
Gambar 4. 1 Citra Daging Sapi Segar ................................................................... 27
Gambar 4. 2 Citra Daging Sapi Beku.................................................................... 28
Gambar 4. 3 Hasil Cropping Citra Daging Segar ................................................. 28
Gambar 4. 4 Hasil Cropping Citra Daging Beku .................................................. 29
Gambar 4. 5 Citra gray.......................................................................................... 29
Gambar 4. 6 Citra Wavelet level 1 ........................................................................ 30
Gambar 4. 7 Citra wavelet level 2 ......................................................................... 30
Gambar 4. 8 Citra wavelet level 3 ......................................................................... 31

v
 DAFTAR TABEL

Tabel 3. 1 Alat Penelitian ...................................................................................... 14

Tabel 4. 1 Parameter LVQ .................................................................................... 32
Tabel 4. 2 Unjuk Kerja Pelatihan .......................................................................... 33
Tabel 4. 3 Hasil Data Pengujian ........................................................................... 34
Tabel 4. 4 Hasil Data Uji Per Data ........................................................................ 35

vi
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Konsumsi daging sapi di Indonesia pada tahun 2004 mencapai 447.908
ton. Namun pada tahun selanjutnya menurun cukup signifikan menjadi 302.203
ton. Penurunan konsumsi masih terus berlanjut hingga tahun 2006, akibat
melambungnya harga BBM yang terjadi pada akhir tahun 2005, mengakibatkan
menurunnya daya beli masyarakat pada waktu itu. Pada tahun 2007 konsumsi
daging sapi meningkat mencapai 453.844 ton dan selanjutnya tahun 2008
menurun mencapai angka 395.035 ton. Namun demikian konsumsi daging sapi
diperkirakan akan meningkat tiap tahunnya dan akan terus meningkat seiring
dengan membaiknya perekonomian Indonesia.
Daging merupakan bahan pangan yang penting dalam memenuhi
kebutuhan gizi. Selain mutu proteinnya tinggi, pada daging terdapat pula
kandungan asam amino esensial yang lengkap dan seimbang. Keunggulan lain,
protein daging lebih mudah dicerna dibanding dengan yang berasal dari nabati.
Bahan pangan ini juga mengandung beberapa jenis mineral dan vitamin. Selain
dalam bentuk segar, daging juga dapat dikonsumsi dalam berbagai produk olahan.
Kelebihan kadar air dalam daging dapat mengakibatkan penurunan
kualitas daging dan mempersingkat waktu simpannya. Penurunan kualitas daging
diindikasikan melalui perubahan warna, rasa, aroma bahkan pembusukan. Daging
yang merupakan sumber protein mudah dan sering mengalami kerusakan oleh
mikroba (Rahayu, dkk, 1988). Kerusakan ini disebabkan oleh adanya kontaminasi
mikroba pada permukaan daging tersebut pada saat proses karsas dan sebesar 99%
oleh kontaminan bakteri (Buckle, dkk, 1985).
Berdasarkan uraian tersebut penulis mengambil penelitian dengan judul
“Identifikasi Daging Sapi Segar Dan Beku Menggunakan Metode Learning
Lector Quantization” dengan harapan bisa mengembangkan aplikasi untuk
mengidentifikasi tekstur daging sapi.

1
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas yang terkait dengan rumusan
masalah identifikasi citra tekstur pada daging sapi menggunakan metode wavelet
adalah sebagai berikut :
1. Bagaimana akuisisi citra daging?
2. Bagaimana preprocessing pengolahan citra daging?
3. Bagaimana ekstraksi ciri citra tekstur daging menggunakan wavelet?
4. Bagaimana unjuk kerja identifikasi citra daging dengan metode Learning
Vector Quantization?

1.3 Tujuan Penelitian

Tujuan yang dapat diwujudkan dari penelitian yang dilakukan ini adalah
membuat sebuah perangkat lunak yang mampu mengindentifikasi daging sapi
segar dan daging sapi beku.

1.4 Manfaat Penelitian

Manfaat yang didapatkan dari pembuatan perangkat lunak identifikasi
daging sapi segar dan daging sapi beku berdasarkan tekstur menggunakan metode
learning vector quantization ini adalah proses identifikasi daging sapi berdasarkan
jenis dan kegunaannya akan lebih mudah dan efektif.

2
 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Kiswanto (2013), dalam penetiannya yang berjudul, identifikasi jenis
Daging Sapi menggunakan Transformasi Wavelet Haar, menerangkan tentang
cara untuk mengidentifikasi jenis daging sapi dengan menggunakan transformasi
wavelet Haar. Proses pengolahan citra dilakukan dengan cara menghitung nilai R,
G dan B pada setiap citra daging, kemudian dilakukan proses normalisasi untuk
mendapatkan indeks R, indeks G dan indeks B dan dilakukan proses konversi dari
model RGB ke model HSI untuk mendapatkan besaran nilai hue, saturation dan
intensity. Nilai yang dihasilkan dari proses pengolahan citra digunakan sebagai
parameter masukan program verifikasi. Akurasi tertinggi yang dihasilkan oleh
wavelet Haar adalah 80% pada jenis daging segar, daging sapi segar
dibekukan,daging sapi busuk, daging sapi busuk dikeringkan. Sedangkan akurasi
terendah adalah 0% terjadi pada daging sapi busuk dibekukan.
Sutarnno, (2010) melakukan penelitian untuk mengetahui tingkat
keberhasilan sistem identifikasi citra menggunakan transformasi wavelet,
mengetahui pengaruh transformasi dengan berbagai metode wavelet citra masukan
terhadap unjuk kerja sistem identifikasi citra. Citra untuk pengujian diambil
dilapangan menggunakan kamera digital. Pada pengujian awal proses transformasi
citra masukan menggunakan wavelet Haar hingga level-3. Pada proses pengujian
selanjutnya transformasi citra masukan akan menggunakan keluarga wavelet
Daubechles (db2) dan Coiflets (coif).
Nicky Astriyanti (2015), dalam penelitiannya yang berjudul, Identifikasi
Varietas Durian Berdasarkan Citra Daun Menggunakan LVQ dan Ektraksi
Tekstur Discrete Wavelet Transform, menerangkan tentang penggunaan daun
pada penelitian ini karena daun mudah didapat serta ketersediaan daun yang tidak
dipengaruhi oleh musim. Percobaan ini menggunakan 50 citra daun berukuran 251
x 501 piksel dari 5 varietas durian. Penelitian ini menghasilkan akurasi tertinggi

3
sebesar 70% pada DWT family Haar level 4 dengan learning rate sebesar 0,1 dan
penurunan learning rate sebesar 0,5 dan 0,7.
Abdul fadlil, (2012), melakukan penelitian untuk mengidentifikasi tekstil
berbasis komputer dengan memasukan informasi dari citra kain ke dalam
komputer. Selanjutnya komputer menerjemahkan serta mengindentifikasi jenis
kain tersebut. Pada pengembangan sistem ini terdiri dari 2 yaitu tahap penentuan
pola standar referensi dan pengujian. Data yang digunakan sebagai standar
referensi sebanyak 5 sampel untuk masing-masing jenis kain yaitu blacu,finished
dan rajut. Sedangkan untuk pengujian untuk kerja sistem mengunakan 100 sampel
untuk masing-masing jenis kain. Pengujian untuk kerja sistem dilakukan dengan
melakukan variasi ukuran citra dan metode matrik jarak. Hasil pengujian sistem
identifikasi citra kain menunjukan tingkat akurasi yang tinggi sebesar 93% untuk
ukuran citra asli 600x800 dengan metode ektraksi ciri histogram dan teknik
klasifikasi matrik jarak Squared Chi Squared.
Budiardo.Y(2010), dalam penelitiannya yang berjudul, Identifikasi Macan
Tutul Dengan Metode Grey Level Coocurent Matiks, menerangkan cara untuk
mengidentifikasi macan tutul. Tekstur (textures) adalah sifat-sifat atau
karakteristik karakteristik yang dimiliki oleh suatu daerah yang cukup besar
sehingga secara alami sifat tersebut dapat berulang dalam daerah tersebut. Pola-
pola yang teratur muncul secara berulang-ulang dengan interval jarak dan arah
yang tertentu. Syarat terbentuknya tekstur adalah adanya pola-pola primitive yang
terdiri dari satu atau lebih piksel dan pola-pola primitive tadi muncul berulang-
ulang dengan interval jarak dan arah tertentu, sehingga dapat diprediksi
karakteristik pengulangannya. Sebuah citra macan tutul memenuhi persyaratan
sebagai tekstur karena memenuhi dua syarat tersebut. Salah satu metode yang
digunakan untuk menganalisis citra adalah metode GLCM (Grey Level
CoocurentMatrix). Dalam metode GLCM derajat keabuan sebuah citra dengan
ukuran tertentu dipresentasikan sebagai sebuah matriksco-occurrence. Dengan
melakukan perhitungan tertentu pada matriksco-occurrence maka akan dapat
diketahui nilai derajat keabuan dari citra yang bersebelahan dengan citra yang
diambil. Dengan menggunakan Matlab untuk mengimplementasikan analisa citra,

4
akan dapat ditentukan apakah sebuah citra mempunyai tekstur macan tutul atau
bukan.

2.2 Landasan Teori

2.2.1 Daging
Daging merupakan salah satu komoditi peternakan yang diperlukan untuk
memenuhi kebutuhan protein, karena daging mengandung protein yang bermutu
tinggi, yang mampu menyumbangkan asam amino esensial yang lengkap.
Menurut Lawrie (1991) dalam Soputan (2004) daging didefinisikan sebagai
bagian dari hewan potong yang digunakan manusia sebagai bahan makanan,
selain mempunyai penampilan yang menarik selera, juga merupakan sumber
protein hewani berkualitas tinggi. Daging adalah seluruh bagian dari ternak yang
sudah dipotong dari tubuh ternak kecuali tanduk, kuku, tulang dan bulunya.
Dengan demikian hati, lympa, otak, dan isi perut seperti usus juga termasuk
daging (Munarnis, 1982).
Muchtadi, dkk (1992) dalam Soputan (2004) menyatakan bahwa jaringan
otot, jaringan lemak, jaringan ikat, tulang dan tulang rawan merupakan komponen
fisik utama daging. Jaringan otot terdiri dari jaringan otot bergaris melintang,
jaringan otot licin, dan jaringan otot spesial. Sedangkan jaringan lemak pada
daging dibedakan menurut lokasinya, yaitu lemak subkutan, lemak intermuskular,
lemak intramuskular, dan lemak intraselular. Jaringan ikat yang penting adalah
serabut kolagen, serabut elastin, dan serabut retikulin.
Menurut Hadiwiyoto (1983), secara garis besar struktur daging terdiri atas
satu atau lebih otot yang masing-masing disusun oleh banyak kumpulan otot,
maka serabut otot merupakan unit dasar struktur daging. Di sekeliling otot daging
terdapat seberkas jaringan penghubung epimisium, yang melekat di antara otot
dan membaginya menjadi sekumpulan berkas otot yang terdiri dari serat-serat
yang berdiri sendiri. Serat-serat ini panjangnya beberapa sentimeter, tetapi garis
tengahnya sekitar 10 – 100 μm. Serat-serat ini dikelilingi oleh suatu selubung
yang dinamakan sarkolema, yang tersusun dari protein dan lemak.

5
 Daging merupakan pangan bergizi tinggi. Daging sapi segar mengandung
air 75%, protein 19%, dan lemak 2.5% (Syamsir, 2008). Komposisi daging
menurut Direktorat Gizi Departemen Kesehatan RI (1981) dalam Soputan (2004)
dalam 100 gram daging mengandung protein sebesar 18,8 gram dan lemak 14
gram. Daging mempunyai kandungan mineral antara lain kalsium 11 mg, fosfor
170 mg, dan besi 2,8 mg.

2.2.2 Citra Digital

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua
dimensi yang continue menjadi gambar diskrit melalui proses sampling. Gambar
analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit.
Persilangan antara baris dan kolom tertentu disebut piksel. Suatu citra dapat
didefinisikan sebagai fungsi f(x,y) berukuran M bari N kolom, dengan x dan y
adalah koordinat spasial,dan amplitudo f di titik koordinat (x,y) dinamakan
intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan
amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat
dikatan bahwa citra tersebut adalah citra digital (Sutoyo, 2009).
Pengolahan citra digital merupakan ilmu yang mempelajari hal-hal yang
berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi
warna, restorasi citra), transformasi gambar (feature images) yang optimal untuk
tujuan analisis, melakukan penarikan informasi atau deskripsi objek atau
pengenalan objek terkandung pada citra, melakukan kompres atau reduksi data
untuk tujuan penyimpanan data, transmisi data, dan waktu proses input data. Input
dari pengolahan citra adalah citra sedangkan outputnya adalah citra hasil
pengolahan (Sutoyo, 2009).
Citra digital agar didapat diolah dengan komputer, maka harus
direpresentasikan secara numerik dengan nilai-nilai diskrit. Representasi citra dari
fungsi malar (kontinu) menjadi nilai – nilai diskrit disebut digitalisasi (Munir,
2004). Ada beberapa tahapan yang dilakukan dalam pembentukan citra digital
yaitu akusisi citra, sampling dan kuantisasi. Tahapan perrtama yaitu proses
akuisisi citra adalah pemetaan suatu pandangan (scene) menjadi citra kontinu

6
dengan mengunakan sensor. Ada beberapa macam sensor untuk akuisisi citra,
yaitu sensor tunggal, sensor garis dan sensor larik.
Tahap selanjutnya setelah menjadi citra kontinu yaitu proses sampling,
yang merupakan proses untuk menentukan warna pada piksel tertentu pada citra
dari sebuah gambar yang kontinu. Pada proses sampling biasanya dicari warna
rata-rata dari gambar analog yang kemudian dibulatkan. Proses sampling sering
juga disebut digitalisasi. Kemudian tahap terakhir adalah proses kuantisasi yang
merupakan perubahan nilai amplitudo kontinu menjadi nilai baru yang berupa
nilai diskrit. Nilai amplitudo yang dikuantisasi adalah nilai-nilai pada koordinat
diskrit hasil proses sampling (Munir, 2004).
Terjadinya proses citra berawal dari sumber cahaya menerangi obyek,
obyek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan
cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera,
pemindai (scanner), dan sebagainya, sehinga bayangan obyek yang disebut citra
tersebut terekam (Munir, 2004).

2.2.3 Preprocessing
Preprosessing adalah proses pengolahan data citra asli sebelum data
tersebut diproses berikutnya. Beberapa pra-proces yang sering digunakan adalah
proses cropping dan proses grayscale (aras keabuan).
Cropping adalah proses pemotongan citra pada koordinat tertentu pada
area citra. Proses ini dilakukan untuk mengambil bagian yang dirasa penting atau
bagian yang mempunyai paling banyak informasi untuk diolah menggunakan
jaringan syaraf tiruan. Selain itu proses ini juga dapat mengubah ukuran citra
menjadi lebih kecil, sehingga akan mempercepat proses komputasi.
Selain dengan melakukan cropping, untuk mempercepat proses komputasi
dapat melakukan proses grayscale. Grayscale adalah warna-warna piksel yang
berada pada rentang gradasi hitam dan putih yang akan menghasilkan efek warna
abu-abu. Pada citra ini warna dinyatakan dengan intensitas, dimana intensitas
berkisar antara 0 sampai dengan 225, dimana 0 dinyatakan warna hitam dan 225
dinyatakan warna putih (Kadir & Susanto, 2012). Proses grayscale dilakukan

7
dengan mengubah citra 3 layer citra yaitu : red, green dan blue (RGB) menjadi
citra 1 layer gray.
Untuk memperbaiki kualitas dan memperhalus citra dapat dilakukan
beberapa cara, salah satunya adalah dengan menggunakan filter median median.
Pada filter median, suatu “jendela” (windows) memuat sejumlah piksel (ganjil).
Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap pergeseran
dibuat jendela baru. Titik tengah dari jendela ini diubah dengan nilai median dari
jendela tersebut (Munir, 2004).

2.2.4 Wavelet
Wavelet diartikan sebagai small wave atau gelombang singkat. Gelombang
singkat tersebut merupakan fungsi basis yang terletak pada waktu berbeda.
Alihgram wavelet merupakan alihgram yang membawa citra (signal) ke versi
pergeseran (shifted) dan penskalaan (scaled) dari gelombang singkat yang asli
(mother wawelet). Alih ragam gelombang singkat diskrit dapat dilakukan dengan
sauatu pentapisan bertingkat (cascading filter), yang diikuti dengan pencuplikan
(subsampling) dengan pembagian 2 (Putra, 2000).
Transformasi wavelet merupakan perbaikan dari transformasi fourier. Pada
transformasi fourier hanya dapat menentukan frekuensi yang muncul pada suatu
sinyal, namun tidak dapat menentukan kapan frekuensi itu muncul. Dengan kata
lain, transformasi fourier tidak memberikan informasi tentang domain waktu (time
domain). Kelemahan lain dari transformasi fourier adalah perubahan sedikit
terhadap sinyal pada posisi tertentu akan berdampak atau mempengaruhi sinyal
pada posisi lainnya. Hal ini disebabkan karena transformasi fourier berbasis sin-
cos yang bersifat periodik dan kontinu.
Proses wavelet selain mampu memberikan informasi frekuensi yang
muncul, juga dapat memberikan informasi tentang skali atau durasi waktu.
Wavelet dapat digunakan untuk menganalisa suatu bentuk gelombang sebagai
kombinasi dari waktu dan frekuensi. Selain itu perubahan sinyal pada suatu posisi
tertentu tidak akan berdampak banyak terhadap sinyal pada posisi-posisi yang
lainnya. Dengan wavelet suatu sinyal dapat disimpan lebih efisien dibandingkan

8
dengan fourier dan lebih baik lagi dalam melakukan aproksimasi terhadap real-
word sinyal.
Transformasi wavelet secara konsep memang sederhana. Citra yang
semula ditransformasikan kemudian dibagi (didekompoisi) menjadi 4 sub-image
baru untuk menggantikannya. Setiap sub-image berukuran seperempat kali dari
citra asli. Satu sub-image bagian kiri atas nampak seperti citra asli dan tampak
lebih halus (smooth) karena berisi komponen frekuensi rendah dari citra asli.
Berbeda dengan 3 sub-image yang lain yang tampak lebih kasar karena berisi
komponen frekuensi tinggi dari citra asli. Sub-image tersebut dapat dibagi lagi
menjadi 4 sub-image baru. Proses demikian dapat diulang seterusnya sesuai
dengan level (tingkatan) proses transformasi yang diinginkan.
Proses transformasi wavelet dilakukan pada baris terlebih dahulu,
kemudian dilanjutkan transformasi pada kolom. Untuk melihat gambar bagan
transformasi wavelet ditunjukan pada Gambar 2.1.

Gambar 2. 1 Transformasi Wavelet (Putra 2010)

H dan L berturut-turut menyatakan tapis yang meneruskan frekuensi tinggi
(high pass) dan tapis yang meneruskan frekuensi rendah (low pass). ↓ 2
menyatakan pencuplikan dengan pembagian 2. Pada Gambar 2.2 LL menyatakan
bagian koefisien yang diperoleh melalui proses tapis low pass dilanjutkan dengan
low pass. Citra bagian ini mirip dan merupakan versi lebih halus dari citra aslinya
sehingga koefisien pada bagian LL sering disebut dengan komponen aproksimasi.
LH menyatakan bagian koefisien yang diperoleh melalui proses tapis low pass

9
kemudian dilanjutkan dengan high pass. Koefisien pada bagian ini menunjukan
citra tepi dalam arah horisontal. Bagian HL diperoleh dari proses tapis high pass
kemudian dilanjutkan dengan low pass. Koefisien pada bagian ini menunjukan
citra tepi dalam arah vertikal. Bagian HH menunjukan proses tapis yang awal
dengan high pass kemudian dilanutkan dengan hig pass. Koefisien pada bagian ini
menunjukkan citra tepi dalam arah diagonal. Ketiga komponen LH, HL dan HH
disebut juga komponen detail. Hasil transformasi wavelet level 1, sering dibuat
dalam bentuk skema seperti pada Gambar 2.2 sebagai berikut.

Gambar 2. 2 Skema Transformasi Wavelet ( Putra 2000 )

2.2.5 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak
manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak
manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
(Kusumadewi, 2003).
Jaringan Syaraf Tiruan memodelkan jaringan syaraf biologis yang terdapat
pada otak manusia. Pemodelan terutama hanya didekati dari sudut komputasinya
saja. Jaringan syaraf tiruan terdiri dari sebuah simpul (node) yang merupakan
elemen pemroses antar simpul dicapai melalui bobot koneksi (weight). Bobot
koneksi menentukan apakah sinyal yang mengalir bersifat peredam (inhibitory

10
connection). Bobot koneksi yang bersifat meredam dapat dinyatakan, misalnya
oleh bilangan negatif. Setiap simpul tersebut memodelkan sebuah sel saraf
biologis (neuron), sedangkan yang bersifat merangsang oleh bilangan positif.
Selain ditentukan oleh karakteristik bobot koneksinya, besarnya sinyal yang
keluar dari sebuah simpul juga ditentukan oleh fungsi aktifasi (activation
function) yang digunakannya. Artinya, pemilihan fungsi aktifasi menentukan
derajat keaktifan dari sebuah simpul (Liman, 2005).
Jaringan syaraf tiruan (neural network) adalah alat pemodelan data
statistik nonlinier. Neural network dapat digunakan untuk memodelkan hubungan
yang kompleks antara input output untuk menemukan pola-pola pada data
(Widodo, 2005).
Neural network sebenarnya mengadopsi dari kemampuan otak manusia
yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan
memberikan output. Output diperoleh dari variasi stimulasi dan proses yang
terjadi didalam otak manusia. Kemampuan manusia dalam memproses informasi
merupakan hasil kompleksitas proses didalam otak. Misalnya yang terjadi pada
anak-anak, mereka mampu belajar untuk melakukan pengenalan meskipun mereka
tidak mengetahui algoritma apa yang digunakan. Kekuatan komputasi yang luar
biasa dari otak manusia ini merupakan sebuah keunggulan di dalam kajian ilmu
pengetahuan (Widodo, 2005).
Didalam jaringan syaraf tiruan terdapat two layer network, yang disebut
sebagai perceptron (Siang, 2005). Perceptron memungkinkan untuk pekerjaan
klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi
antar network. Untuk lebih jelasnya ditunjukan pada Gambar 2.3.

11
 Gambar 2. 3 Perceptron (Siang, 2005)
Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak
sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya.
Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-
OR). Namun demikian berhasil menjadi sebuah dasar untuk penelitian-penelitian
selanjutnya dibidang neural network. Saat ini neural network dapat diterapkan
pada beberapa task, diantaranya classification, recognition, approximation,
prrediction, clusterization, memory simulation dan banyak task-task berbeda yang
lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.
Learning Vector Quantization (LVQ) merupakan salah satu alat terapan
dari neural network. LVQ melakukan proses pemetaan vector yang berjumlah
banyak menjadi vector dengan jumlah tertentu (Kusumadewi, 2004). Pada
pengenalan citra, berapa vector ciri dari masing-masing citra, yang diperoleh dari
proses ekstraksi ciri.

2.2.6 Learning Vector Quantization

Learning Vector Quantization adalah suatu metode untuk melakukan
pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif
akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-
kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung
pada jarak antara vektor-vektor input. Jika dua vektor input untuk mendekati
sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut
kedalam kelas yang sama (Kusumadewi, 2003).

12
 Dalam hal ini diberikan sehimpunan pola yang klasifikasinya diketahui
diberikan bersama distribusi awal vector referensi. Setelah pelatihan jaringan
LVQ mengklasifikasikan vector masukan dalam kelas yang sama dengan unit
keluaran yang memiliki vector bobot (referensi) yang paling dekat dengan vector
masukan. Arsitektur dari LVQ ditunjukkan pada Gambar 2.3

Gambar 2. 4 Skema Transformasi Wavelet

Keterangan:

X1,X2,...Xn = nilai input

F1,F2 = Lapisan Kompetitif

Y_in = Masukan lapisan kompetitif

y = output

W = Vector bobot untuk unit keluaran

||X-W|| = Selisih nilai jarak Euclidean antara vektor masukan

13
 BAB III
METODOLOGI

3.1 Bahan Penelitian

Bahan atau obyek citra yang digunakan dalam melakukan penelitian ini
adalah citra daging sapi segar dan daging sapi beku. Dari citra tersebut kemudian
dilakukan ekstraksi fitur dari citra.

3.2 Alat Penelitian

Alat yang digunakan dalam melakukan penelitian ini adalah sebuah
kamera dari telefon genggam dan satu set komputer dengan spesifikasi yang
ditunjukkan pada Tabel 3.1.
Tabel 3. 1 Alat Penelitian
No Nama Keterangan
1 Kamera Handphone Lenovo a 6000
2 Processor Intel(R) Core(TM) i3-5005U @ 2.00GHz
2.00GHz
3 Memory DDR3 4 GB
4 Sistem Operasi Windows 7 Ultimate 32 bit
5 Aplikasi Matlab Versi 2015

3.3 Jalan Penelitian

Jalan penelitian klasifikasi tekstur citra jenis daging sapi merupakan
serangkaian proses yang dilakukan dalam penelitian. Mulai studi kepustakaan
yang menemukan masalah yaitu banyak masyarakat yang tidak mengetahui cara
untuk membedakan jenis daging sapi segar dan sapi beku berdasarkan tekstur,
sehingga untuk membantu mengenali jenis daging sapi segar dan sapi beku maka
dimulai dengan mencari studi kepustakaan untuk mendukung pemecahan masalah
tersebut. Setelah melakukan studi kepustakaan selanjutnya adalah
mengembangkan sebuah perangkat lunak yang dapat mengidentifikasi jenis
daging sapi, yang dimulai dari akuisisi data, sampai dengan output yang

14
dikeluarkan oleh sistem. Untuk lebih jelasnnya dari penelitian ditunjukkan pada
Gambar 3.1.

Gambar 3. 1 Blok Diagram Penelitian

3.3.1 Akuisisi Data

Akuisisi data merupakan tahapan awal yang dilakukan dalam
pengidentifikasian citra daging sapi. Alat yang digunakan berupa kamera
handphone Lenovo. Pengambilan citra dilakukan langsung oleh peneliti terhadap
daging sapi yang biasanya digunakan untuk lauk dan makanan sehari-hari. Alur
dari akuisisi data ditunjukkan pada Gambar 3.2.

Gambar 3. 2 Akuisisi data daging sapi

15
3.3.2 Data
Dari proses akuisisi data yang dilakukan maka akan dihasilkan data berupa
citra daging sapi. Citra ini selanjutnya akan dilakukan pemrosesan pada tahap
berikutnya.

3.3.3 Preprossesing
Tahap preprosessing ini meliputi croping, grayscale. Sehingga akan
mempercepat proses komputasi pada tahap selanjutnya. Selanjutnya citra
dipotong, proses selanjutnya adalah dengan mengubah citra dari tiga layer
menjadi satu layer gray. Proses dari grayscale ditunjukan pada Gambar 3.3.

Gambar 3. 3 Diagram Alir Proses Grayscale

16
Keterangan:
Citra crop : Citra yang didapat dari proses crop
Layer R : Layer merah dari citra crop
Layer G : Layer hijau dari citra crop
Layer B : Layer biru dari citra crop
baris : banyaknya piksel baris dari citra crop
kolom : banyaknya piksel kolom dari citra crop
citra gray : citra yang dihasilkan dari proses grayscale

3.3.4 Wavelet
Setelah dilakukan preprosessing tahap berikutnya adalah transformasi
wavelet. Citra yang sudah menjadi grayscale ditransformasikan yang kemudian
dibagi menjadi 4 sub-image baru yaitu citra aproksimasi (CA), citra horizontal
(CH), citra vertical (CV) dan citra diagonal (CD) untuk menggantikannya. Setiap
sub-image berukuran seperempat kali dari citra asli. Diagram alir dari
transformasi wavelet ditunjukkan pada Gambar 3.4.

17
 Gambar 3. 4 Diagram Alir Proses Wavelet

Keterangan:
baris : banyaknya piksel bari dari citra gray
kolom : banyaknya kolom bari dari citra gray
ca : citra aproksimasi
ch : citra horizontal
cv : citra vertical
cd : citra diagonal

18
3.3.5 Ektraksi Ciri
Ektraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan
interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke
dalam sekelompok nilai ciri yang sesuai. Sehingga mendapatkan informasi
kuantiatif dari citra yang membedakan kelas-kelas suatu obyek. Dalam penelitian
ini menggunakan komponen mean ciri yang diambil dari komponen ciri mean
(rerata), standar deviasi (std) dan (var) yang diambil dari wavelet level 1 sampai
level 3.

3.3.6 Fitur Vector

Setelah melakukan ektraksi ciri dari citra daging sapi maka akan diperoleh
sebuah ciri dalam bentuk vector. Ciri tersebut kemudian disimpan dalam database
yang digunakan sebagai acuan untuk mendapatkan bobot awal. Dari proses
pelatihan akan diperoleh bobot akhir. Pengenalan data uji dilakukan dengan
dengan membandingkan bobot akhir dengan ciri data uji, kemudian mencari jarak
terdekat untuk menentukan kelasnya.

3.3.7 Learning Vector Quantization

Learning Vector Quantization adalah sebuah metode klasifikasi dimana
setiap unit output mempresentasikan sebuah kelas. Learning Vector Quantization
digunakan untuk pengelompokan,dimana jumlah kelompok sudah ditentukan
arsitekturrnya (target/kelas sudah ditentukan). Sehingga dapat melakukan proses
identifikasi untuk mengetahui jenis daging sapi segar dan daging sapi beku.
Berikut adalah topologi jaringan LVQ yang ditunjukkan pada Gambar 3.5.

19
 Gambar 3. 5 Topologi Jaringan LVQ

Keterangan:

Vector pengujian = (X1,...Xi...X63)

Kelas = y1,y2

W = Vektor Bobot

F = Lapisan kompetitif

Berdasarkan topologi jaringan tersebut dapat dimasukan kedalam proses

LVQ untuk melakukan pengenalan citra daging sapi. Diagram alir LVQ
ditunjukan pada Gambar 3.6.

20
21
 Gambar 3. 6 Diagram Alir Learning Vector Quantization

Keterangan:
W(awal) : bobot awal
W(akhir) : bobot akhir
D(c) : jarak kelas 1 dan kelas 2
m,n : baris dan kolom matriks data pelatihan
m1,n1 : baris dan kolom matriks bobot awal
idx : jarak terdekat

22
3.3.8 Perancangan Antarmuka Perangkat Lunak
Desain perancangan antarmuka dari perangkat lunak klasifikasi tekstur
citra daging sapi segar dan sapi beku terdapat 7 menu yaitu menu utama, ekstraksi
ciri, pelatihan, pengujian, pengujian perdata, tentang, keluar. Perancangan dari
antar muka menu utama ditunjukkan pada Gambar 3.7.

Gambar 3. 7 Perancangan Antar Muka Menu Utama

Desain perancangan antarmuka pada menu ekstraksi ciri ditunjukkan pada

Gambar 3.8.

Gambar 3. 8 Perancangan Antar Muka Menu Ekstraksi Ciri

23
 Desain perancangan antarmuka pada menu pelatihan ditunjukkan pada
Gambar 3.9.

Gambar 3. 9 Perancangan Antar Muka Menu Pelatihan

Desain perancangan antarmuka pada menu pengujian ditunjukkan pada

Gambar 3.10.

Gambar 3. 10 Perancangan Antar Muka Menu Pengujian

24
 Desain perancangan antarmuka pada menu pengujian per data ditunjukkan
pada Gambar 3.11.

Gambar 3. 11 Desain Perancangan Antarmuka Pada Menu Pengujian Per

Data

Desain perancangan antarmuka pada menu tentang ditunjukkan pada

Gambar 3.12.

Gambar 3. 12 Desain Perancangan Antarmuka Pada Menu Tentang

25
 Kemudian untuk perancangan antarmuka pada menu keluar ditunjukkan
pada Gambar 3.13.

Gambar 3. 13 Desain Perancangan Antarmuka Pada Menu Keluar

26
 BAB IV
ANALISIS DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil dari penelitian yang telah dilakukan dalam proses klasifikasi jenis
daging sapi untuk mengetahui tekstur daging sapi segar dan daging sapi beku.
Sampel tekstur daging sapi dalam penelitian menggunakan 20 citra daging sapi,
dengan rincian 10 citra dijadikan sebagai data pelatihan dan 10 citra dijadikan
sebagai data uji. Sementara untuk kelas dalam penelitian ini terdapat dua kelas,
yaitu daging sapi segar dan daging sapi beku. Metode yang digunakan dalam
penelitian ini untuk mengidentifikasi daging sapi segar dan saging sapi beku
menggunakan jaringan syaraf tiruan Learning Vector Quantification (LVQ).

4.1.1 Akuisisi Citra

Data citra diambil menggunakan kamera handphone. Citra yang diambil
adalah citra daging sapi segar dan citra daging sapi beku, dengan proses
pengambilan citra haruslah memiliki posisi yang sama antara pengambilan citra
pertama dan berikutnya. Tempat yang digunakan untuk proses pengambilan
gambar dilakukan pada kondisi ruangan dengan tingkat cahaya sedang. Hasil
akuisisi berupa citra digital dengan format jpg dipindahkan ke komputer untuk
dijadikan data dalam penelitian. Data citra daging sapi segar ditunjukkan oleh
Gambar 4.1.

Gambar 4. 1 Citra Daging Sapi Segar

27
 Sedangkan untuk hasil data citra daging sapi beku ditunjukkan oleh
Gambar 4.2.

Gambar 4. 2 Citra Daging Sapi Beku

4.1.2 Preprosessing
4.1.2.1 Cropping
Tahap selanjutnya adalah preprocessing dan tahap ini dilakukan beberapa
tahapan, yaitu cropping, grayscale. Cropping dilakukan agar area data ciri citra
yang diproses menjadi lebih spesifik. Data citra cropping daging segar
ditunjukkan pada Gambar. 4.3.

Gambar 4. 3 Hasil Cropping Citra Daging Segar

Sedangkan untuk data citra hasil proses cropping daging beku ditunjukkan
pada Gambar. 4.4.

28
 Gambar 4. 4 Hasil Cropping Citra Daging Beku
4.1.2.2 Grayscale
Setelah dimensi citra di-cropping kemudian tahap selanjutnya dilakukan
proses grayscale dengan mengubah citra tiga layer R, layer G, layer B menjadi
satu layer gray. Data citra gray ditunjukkan pada Gambar 4.4.

Gambar 4. 5 Citra gray

4.1.3 Wavelet
Pada tahap selanjutnya, citra kemudian diolah dengan algoritma wavelet.
Wavelet yang digunakan level 1 sampai level 3. Data citra setelah melalui
preprossesing dibagi menjadi 4 yaitu CA, CH, CV, CD untuk level 1.
Pengambilan ciri dilakukan pada setiap komponen wavelet dari level 1 sampai
level 3.

29
4.1.3.1 Wavelet Level 1
Hasil wavelet level 1 pengenalan tekstur citra daging sapi yang memiliki
satu bagian proses perhitungan. Hasil citra level 1 ditunjukkan pada Gambar 4.5.

Gambar 4. 6 Citra Wavelet level 1

4.1.3.2 Wavelet Level 2

Setelah melalui proses level 1, hasil citra wavelet level 1 akan dibagi
menjadi 4 bagian. Sehingga pada level 2 terdapat 4 bagian dalam perhitungan
wavelet. Hasil citra level 2 ditunjukkan pada Gambar 4.6.

Gambar 4. 7 Citra wavelet level 2

4.1.3.3 Wavelet Level 3

Citra wavelet level 3 memiliki 16 bagian yang dihasilkan dari pembagian
citra pada level 2 yang setiap bagian citra level 2 dibagi 4 bagian. Citra wavelet
level 3 ditunjukkan pada Gambar 4.7.

30
 Gambar 4. 8 Citra wavelet level 3
4.1.4 Ekstraksi Ciri
Setelah proses wavelet kemudian dilakukan ekstraksi menggunakan mean,
standart deviasi dan varian pada citra CA, CV, CH dan CD dari level 1 sampai
level 3. Sehingga terdapat 63 ciri untuk satu vektor. Ekstraksi ciri data pelatihan
menggunakan 20 data citra dengan rincian 10 data citra daging sapi segar dan 10
data citra daging sapi beku. Sedangkan Ektraksi ciri untuk data uji menggunakan
20 data citra dengan rincian 10 citra daging sapi segar dan 10 citra daging sapi
beku.

4.1.5 Fitur Vector

Setelah melakukan ekstraksi ciri dari citra daging sapi maka akan
diperoleh sebuah ciri dalam bentuk vector. Ciri tersebut kemudian disimpan dalam
database yang digunakan sebagai acuan untuk proses pelatihan. Dari proses
pelatihan akan diperoleh bobot akhir. Pengenalan data uji dilakukan dengan
membandingkan bobot akhir dengan ciri data uji, kemudian mencari jarak terdekat
untuk menentukan kelasnya.

4.1.6 Learning Vector Quantization

Pada proses pelatihan pada jaringan Learning Vector Quantization
digunakan parameter yang digunakan untuk mengetahui presentase keberhasilan
tertinggi. Parameter LVQ dalam pelatihan ditunjukkan pada Tabel 4.2.

31
 Tabel 4. 1 Parameter LVQ
Parameter Keterangan
Jumlah Data Pelatihan 20
Jumlah Data Uji 20
Jumlah Pola Target 2
Variasi Laju Pelatihan (α) 0,1; 0,01; 0,001;
Update Laju Pelatihan α = α-α (dec α)
Variasi Penurunan Laju Pelatihan (dec α) 0,1; 0,25; 0,5; 0,75
Minimum Laju Pelatihan Yang Diharapkan 0,000001
Maksimum Iterasi 250

4.1.7 Unjuk Kerja

Setelah ciri data pelatihan dijadikan database dan bobot awal sudah
ditentukan. Tahap selanjutnya adalah melakukan pelatihan terhadap data
pelatihan. Dalam menentukan hasil kinerja identifikasinya bisa dilakukan dengan
mengubah parameter laju pelatihan awal (alfa) dan penurunan laju pelatihan
(decalfa). Untuk target ada 2, nilai minimum laju pelatihan (min alfa) adalah
0,000001, dan maksimal iterasi (epoch) nilainya 250.
Kinerja dari pelatihan klasifikasi citra jenis daging sapi dengan
menggunakan ciri dan jaringan LVQ seperti ditinjukkan pada Tabel 4.3.

32
 Tabel 4. 2 Unjuk Kerja Pelatihan
DataDaging
Kinerja Komulatif
Dec Alfa Alfa Iterasi (%)
(%)
Segar Beku
0,1 110 0% 10% 50%
0,01 88 0% 10% 50%
0,1 0,001 66 6% 6% 60%
0,0001 44 7% 5% 60%
0,00001 22 9% 5% 70%
0,1 41 10% 0% 50%
0,01 33 1% 10% 55%
0,25 0,001 25 6% 5% 55%
0,0001 17 8% 5% 65%
0,00001 9 9% 5% 70%
0,1 17 10% 0% 50%
0,01 14 1% 10% 55%
0,5 0,001 10 7% 5% 60%
0,0001 7 8% 5% 65%
0,00001 4 9% 5% 70%
0,1 9 10% 0% 50%
0,01 7 2% 10% 60%
0,75 0,001 5 7% 5% 60%
0,0001 4 9% 5% 70%
0,00001 2 9% 5% 70%

Tabel 4.3 menunjukkan hasil unjuk kerja citra pelatihan dengan

penambahan parameter yang terdapat pada Tabel 4.3.
Tabel 4.3 menunjukkan terdapat presentase keberhasilan tertinggi, yaitu
pada alfa (α) 0,1 dengan dec alfa (decα) 0,00001, alfa (α) 0,25 dengan dec alfa
(decα) 0,00001, alfa (α) 0,75 dan dengan decalfa (decα) 0,0001 dan dec alfa

33
(decα) 0,00001 yang mengasilkan presentase 70%. Dari alfa dan dec alfa tersebut
yang mencapai presentase tertinggi , kemudian menghasilkan bobot akhir yang
digunakan untuk pengujian terhadap data uji. Pengujian dilakukan dengan
mencari jarak terdekat antara bobot akhir dengan data uji untuk menentukan
kelasnya.
Tabel 4. 3 Hasil Data Pengujian
DataDaging
Kinerja Komulatif
Dec Alfa Alfa Iterasi (%)
(%)
Segar Beku
0,1 110 0% 10% 50%
0,01 88 0% 10% 50%
0,1 0,001 66 0% 10% 50%
0,0001 44 4% 10% 70%
0,00001 22 5% 10% 70%
0,1 41 0% 10% 50%
0,01 33 0% 10% 50%
0,25 0,001 25 1% 10% 55%
0,0001 17 5% 10% 75%
0,00001 9 5% 10% 75%
0,1 17 0% 10% 50%
0,01 14 0% 10% 50%
0,5 0,001 10 2% 10% 60%
0,0001 7 5% 10% 75%
0,00001 4 5% 10% 75%
0,1 9 0% 10% 50%
0,01 7 0% 10% 50%
0,75 0,001 5 2% 10% 60%
0,0001 4 5% 10% 75%
0,00001 2 5% 10% 75%

34
 Tabel 4.4 menunjukkan terdapat presentase keberhasilan tertinggi, yaitu
pada alfa (α) 0,25 dan dec alfa (decα) 0,0001 dengan dec alfa (decα) 0,00001, alfa
(α) 0,5 dan dec alfa (decα) 0,0001 dengan dec alfa (decα) 0,00001, alfa (α) 0,75
dan decalfa (decα) 0,0001 dan dec alfa (decα) 0,00001 yang mengasilkan
presentase 75%. Dari alfa dan dec alfa tersebut yang mencapai presentase
tertinggi.
Pada Tabel 4.5 menunjukkan hasil unjuk kerja citra pengujian per data
agar dapat diketahui data uji berada pada kelas 1 atau kelas 2. Berikut hasil
pengujian per data yang diperoleh ditunjukkan pada Tabel 4.5.

Tabel 4. 4 Hasil Data Uji Per Data

No Data Target Hasil (T) Keterangan
1 1segar001.JPG 1 2 Tidak Sesuai
2 1segar002.JPG 1 1 Benar
3 1segar003.JPG 1 2 Tidak Sesuai
4 1segar004.JPG 1 1 Benar
5 1segar005.JPG 1 2 Tidak Sesuai
6 1segar006.JPG 1 2 Tidak Sesuai
7 1segar007.JPG 1 1 Benar
8 1segar008.JPG 1 1 Benar
9 1segar009.JPG 1 1 Benar
10 1segar010.JPG 1 1 Benar
11 2beku001.JPG 2 2 Benar
12 2beku002.JPG 2 2 Benar
13 2beku003.JPG 2 2 Benar
14 2beku004.JPG 2 2 Benar
15 2beku005.JPG 2 2 Benar
16 2beku006.JPG 2 2 Benar
17 2beku007.JPG 2 2 Benar
18 2beku008.JPG 2 2 Benar

35
19 2beku009.JPG 2 2 Benar
20 2beku010.JPG 2 2 Benar
Unjuk Kerja Pengujian 80%

4.1.8 Analisis Dan Pembahasan

Proses akuisisi dalam penelitian ini sangat penting, agar mendapatkan
kualitas data citra jenis daging sapi yang bagus. Data citra yang bagus jika
diekstraksi akan mendapatkan ciri yang baik untuk membedakan kelas satu
dengan yang lainnya.
Sebelum dilakukan ekstraksi ciri, data ciri yang sudah dilakukan
preprosessing seperti yang dijelaskan pada bab sebelumnya. Dari data citra
tersebut kemudian diproses melalui tahap wavelet diambil ciri citra dengan
menggunakan rerata ( mean ), standar deviasi dan varian yang akan dijadikan.
Kemudian dipilih satu citra untuk setiap kelasnya untuk dijadikan bobot awal.
Dari bobot awal tersebut diolah menggunakan LVQ untuk mendapatkan bobot
akhir.
Setelah bobot akhir didapatkan maka akan diproses pencarian jarak
terdekat antara bobot akhir dengan ciri citra data uji. Sehingga akan mendapatkan
jarak terdekat yang memungkinkan hasil antara kelas 1 yaitu daging sapi segar
dan kelas 2 yaitu daging sapi beku.
Dari data Tabel 4.3 dapat dilihat data pelatihan terdapat 20 pelatihan
dengan menunjukkan terdapat presentase keberhasilan tertinggi, yaitu pada alfa
(α) 0,1 dengan dec alfa (decα) 0,00001, alfa (α) 0,25 dengan dec alfa (decα)
0,00001, alfa (α) 0,75 dan dengan decalfa (decα) 0,0001 dan dec alfa (decα)
0,00001 yang mengasilkan presentase 70%. Dari alfa dan dec alfa tersebut yang
mencapai presentase tertinggi.
Berdasarkan Gambar 4.4 menunjukkan terdapat presentase keberhasilan
tertinggi, yaitu pada alfa (α) 0,25 dan dec alfa (decα) 0,0001 dengan dec alfa
(decα) 0,00001, alfa (α) 0,5 dan dec alfa (decα) 0,0001 dengan dec alfa (decα)
0,00001, alfa (α) 0,75 dan decalfa (decα) 0,0001 dan dec alfa (decα) 0,00001

36
yang mengasilkan presentase 75%. Dari alfa dan dec alfa tersebut yang mencapai
presentase tertinggi.
Dengan demikian paremeter LVQ data pengujian dengan 20 citra data uji
dengan rincian 10 citra untuk 1 milik daging sapi segar dapat mengenali 6 citra
data uji sedangkan 4 tidak termasuk data kelas 1. Data citra uji kelas 2 milik
daging sapi beku dapat mengenali 10 data citra data uji. Dengan presentase
komulatif 80%.
Nilai keberhasilan mempunyai syarat bahwa citra daging sapi yang
diambil memiliki jarak akuisisi, pencahayaan dan focus yang sama sehingga dapat
menghasilkan gambar yang jelas. Variasi laju pelatihan ( alfa ), semakin besar
nilainya maka semakin akurat dalam mengenali data citra uji daging sapi.

37