Abstrak - Kualitas suatu daging sapi dagingnya, hingga kulit dari sapi masih sangat
ditentukan oleh beberapa parameter, diantaranya bermanfaat bagi manusia.
adalah parameter ukuran, terkstur, ciri warna, bau Daging sapi memiliki banyak sekali kandungan
dari daging dan lain – lain. Parameter terseburt yang bermanfaat bagi manusia. Salah satu kandungan
merupakan salah satu faktor penting untuk
menentukan kualitas daging. Umunya dalam gizi dalam daging sapi yang sangat bermanfaat bagi
menetukan kualitas baik buruknya daging dilakukan tubuh manusia adalah protein. Selain itu, dalam daging
dengan cara manual yaitu menggunakan indera sapi juga terdapat kandungan zat besi yang sangat
penglihatan dari segi warna maupun bentuk yang tinggi karena dapat mencegah anemia. Selain dari
memiliki banyak kelemahan seperti penilaian oleh kandungan tadi, daging sapi masih banyak kandungan
manusia yang bersifat subyektif dan tak konsisten. yang bermanfaat yaitu selenium, zinc, vitamin B
Tujuan dari penelitian ini adalah untuk
kompleks, dan juga omega 3. [16]
membuat aplikasi untuk mendeteksi kualitas daging.
Aplikasi dibangun dengan menggunakan bahasa Dari kandungan yang ada dalam daging sapi
pemrograman Java pada Android yang terintegrasi tersebut sangat besar manfaatnya, akan tetapi di
dengan Android SDK dan Eclipse menggunakan Indonesia saat ini banyak sekali kecurangan dalam hal
library OpenCV sehingga aplikasi ini berbasis penjualan daging sapi tersebut. Maraknya daging sapi
mobile. Metode yang dipakai menggunakan berkualitas rendah dan tidak layak konsumsi menjadi
segmentasi k-mean clustering selanjutnya dianalisis salah satu kecurangan dari pihak yang tidak
secara statistik. Pendeteksian kualitas dilakukan
bertanggungjawab dan sangat meresahkan masyarakat.
dengan menggunakan pencocokan tekstur dan warna
daging berdasar data yang sudah ada. Masyarakat membutuhkan pengetahuan yang cukup
Aplikasi yang dibuat dapat digunakan untuk untuk bisa membedakan daging sapi yang layak
mencari nilai k yang signifikan serta mampu dikonsumsi atau tidak. Dalam mendeteksi kualitas dari
mendeteksi kualitas baik atau buruknya daging daging sapi dapat memanfaatkan sarana dari media
dengan melakukan pengujian terhadap beberapa komunikasi seperti smartphone.
jenis daging serta aplikasi ini dapat digunakan oleh Salah satu manfaat dari smartphone adalah dapat
masyarakat luas.
digunakan untuk berbagai macam aplikasi sehingga
Kata Kunci : k-mean clustering, Statistik, Android, mempermudah masyarakat menggunakannya.
OpenCV, Eclipse Pemanfaatan penggunaan smartphone saat ini salah
satunya yaitu dengan menciptakan aplikasi pengolahan
citra digital dari suatu citra daging yang dapat
I. PENDAHULUAN mendeteksi kualitas dari daging sapi. Aplikasi meat
detection berbasis android ini dibuat menggunakan
I
ndonesia memiliki hasil alam yang melimpah
library dari OpenCV dan Eclipse. Dengan
dikarenakan tanah yang subur dan terdiri dari menggunakan metode segmentasi k-mean clustering,
ribuan pulau , sehingga sebagian besar citra daging akan di analisis melalui perhitungan nilai
penduduknya bermata pencaharian sebagai petani dan ekstraksi ciri dari daging kemudian dibandingkan
juga sebagai nelayan. Bukan hanya itu saja, Indonesia dengan nilai parameter dari aplikasi sehingga aplikasi
juga menjadi salah satu Negara yang memiliki berbagai
akan mengetahui apakah daging berkualitas baik atau
macam peternakan hewan, salah satunya peternakan buruk.
sapi. Sapi merupakan hewan yang mempunyai banyak Dalam pembuatan tugas akhir ini ditetapkan
manfaat bagi manusia, mulai susu yang dihasilkan,
batasan-batasan masalah dengan hal-hal sebagai
berikut.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 322
1. Pengujian dilakukan pada citra daging yang yang baru, termasuk didalamnya adalah perbaikan citra
didapatkan dari data citra daging hasil penelitian (image restoration) dan peningkatan kualitas citra
sebelumnya sebanyak 20 citra daging. (image enhancement). Sedangkan analisis citra digital
2. Aplikasi dapat mendeteksi kualitas daging dengan (digital image analysis) menghasilkan suatu keputusan
metode segmentasi k-mean clustering. atau suatu data, termasuk didalamnya adalah
3. Menggunakan sistem operasi Android Lollipop pengenalan pola (pattern recognition).
Dalam pengolahan citra ada beberapa tahapan
5.0.2, sistem operasi Windows 7 dan Eclipse Juno
yang dapat digunakan yaitu mengatur ukuran,
serta menggunakan library OpenCV versi 2.4.9 menerapkan metode ekualisasi histogram, serta melalui
dalam pembuatan aplikasi. tahapan segmentasi dengan menggunakan metode k-
4. Perhitungan parameter ekstraksi ciri menggunakan mean clustering. [5]
mean dan standar deviasi.
5. Cluster yang digunakan dalam segmentasi k-mean C. Segmentasi K-Mean Clustering
mulai dari 2 hingga 6 Segmentasi merupakan suatu teknik untuk
membagi dan mengelompokkan suatu citra menjadi
II. TINJAUAN PUSTAKA beberapa daerah dimana setiap daerah memiliki
kemiripan atribut tetapi tidak sama.[6]
A. Daging sapi
K-Mean Clustering adalah teknik segmentasi citra
Daging adalah bahan pangan yang sangat berdasarkan intensitas warna. Berasumsi bahwa objek-
dibutuhkan tubuh, dimana dalam daging terkandung objek yang akan dipisahkan cenderung memiliki
banyak gizi serta dalam daging memiliki mutu protein intensitas warna yang berbeda-beda dan masing-
yang tinggi, hal ini dikarenakan pada daging terdapat masing objek memiliki warna yang hampir seragam.
kandungan asam amino esensial lengkap dan Pada k-mean clustering dilakukan pembagian citra
seimbang. Daging juga didefinisikan sebagai otot yang dengan membagi histogram citra. [7] Berikut langkah-
melekat pada kerangka. langkahnya:
Ciri-ciri spesifik daging sapi yang sehat adalah 1. Pertama-tama dicari intensitas maksimum dan
berwarna merah terang atau cerah, mengkilap, tidak minimum yang digunakan citra.
pucat, elastis, tidak lengket dan beraroma khas. Sifat 2. Dari intensitas minimum ke maksimum dilakukan
spesifik sensori yang dimiliki daging dapat pembagian sejumlah N. N ini menentukan jumlah
menentukan daya tarik bagi konsumen.[1] Beberapa objek yang diharapkan ada pada gambar.
kualitas spesifik yang mempengaruhi daya terima 3. Seteah dilakukan pembagian, histogram akan
konsumen terhadap daging adalah warna, pH, daya ikat terbagi menjadi bagian-bagian yang disebut
air, susut masak dan keempukan.[2] cluster (kelompok). Kemudian pada citra
dilakukan penelusuran untuk seluruh titik, setiap
B. Pengolahan Citra Digital titik akan dikelompokkan ke cluster terdekat
Citra (image) adalah gambar pada bidang sehingga hasil akhir dari proses ini adalah jumlah
dwimatra (dua dimensi). Ditinjau dari sudut pandang warna pada gambar menjadi N.
matematis, citra merupakan fungsi menerus (continue) 4. Kemudian mencari hasil rata-rata/mean atas
dari intensitas cahaya pada bidang dwimatra. Sumber seluruh titik pada setiap cluster, kemudian
cahaya menerangi objek, objek memantulkan kembali mengganti warna seluruh titik di dalam cluster-
sebagian dari berkas cahaya tersebut. Pantulan cahaya cluster tersebut dengan rata-rata cluster masing-
ini ditangkap oleh oleh alat-alat optik, misalnya mata masing.
pada manusia, kamera, pemindai (scanner), dan Jadi k-mean clustering adalah suatu metode
sebagainya, sehingga bayangan objek yang disebut clustering paling dasar yang mengambil nilai yang
citra tersebut terekam.[3] memiliki karakteristik atau ciri-ciri yang sama dan
Pengolahan citra digital (Digital Image tidak serupa dengan cluster lain untuk dikelompokkan
Processing) adalah sebuah disiplin ilmu yang dan diolah. Adapun latar belakang k-mean yaitu K
mempelajari tentang teknik-teknik mengolah citra. merupakan konstanta jumlah cluster yang diinginkan,
Citra yang dimaksud disini adalah gambar diam (foto) contoh K = 5 cluster. Means dalam hal ini berarti nilai
maupun gambar bergerak (yang berasal dari webcam). rata-rata dari sebuah grup data, dalam hal ini
Sedangkan digital disini mempunyai maksud bahwa didevinisikan sebagai cluster. Jika menggabungkan
pengolahan citra atau gambar dilakukan secara digital keduanya, maka dapat di artikan bahwa algoritma ini
menggunakan komputer.[4] menggunakan K nilai rata-rata yang setiap nilai rata-
Dalam bidang computer vision, secara umum ratanya dihitung dari suatu cluster. [8]
proses yang terjadi seperti yang terlihat pada gambar 1.
D. Ekstraksi Ciri Statistik
Ekstraksi ciri merupakan metode pengambilan
ciri yang didasarkan pada karakteristik histogram citra.
Histogram menunjukkan probabilitas kemunculan nilai
Gambar 1 Urutan pengolahan citra digital derajat keabuan piksel pada suatu citra. Dari nilai-nilai
pada histogram yang dihasilkan, dapat dihitung
Suatu citra digital melalui pengolahan citra digital
(digital image processing) menghasilkan citra digital
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 323
beberapa parameter ciri, antara lain adalah mean dan Computer Vision. Computer Vision itu sendiri adalah
standar deviasi. [9] salah satu cabang dari Bidang Ilmu Pengolahan Citra
Ekstraksi ciri orde pertama merupakan metode (Image Processing) yang memungkinkan komputer
pengambilan ciri yang didasarka pada karakteristik dapat melihat seperti manusia. Dengan vision tersebut
histogram citra. Histogram menunjukkan probabilitas komputer dapat mengambil keputusan, melakukan
kemunculan nilai derajat keabuan piksel pada suatu aksi, dan mengenali terhadap suatu objek. Beberapa
citra. Bila x menyatakan tingkat keabuan pada suatu pengimplementasian dari Computer Vision adalah
citra maka probabilitas dari x dinyatakan seperti Face Recognition, Face Detection, Face/Object
persamaan (1) [6]: Tracking, Road Tracking, dan lain-lain. OpenCV
( ) (1) adalah library Open Source untuk Computer Vision
untuk C/C++, OpenCV didesain untuk aplikasi real-
Dari nilai-nilai pada histogram yang dihasilkan,
time, memiliki fungsi-fungsi akuisisi yang baik untuk
dapat dihitung beberapa parameter ciri statistik orde
image/video. [12]
pertama dalam penelitian ini antara lain adalah rata-rata
(mean) dan standar deviasi.
III. PERANCANGAN SISTEM
1. Mean (µ)
Menunjukkan ukuran dispersi dari suatu citra Perancangan sistem dalam penelitian ini
seperti persamaan (2). menjelaskan mengenai kebutuhan sistem serta prosedur
pengembangan perangkat lunak.
∑ ( ) (2) A. Kebutuhan sistem
Kebutuhan pengguna untuk mengembangkan
Dimana merupakan suatu nilai intensitas
program berbasis android, terdapat spesifikasi teknis
keabuan, sementara ( ) menunjukkan nilai perangkat lunak dan perangkat keras. Berikut ini
histogramnya (probabilitas kemunculan intensitas merupakan kebutuhan sistem yang digunakan dalam
tersebut pada citra). penelitian ini :
2. Standar Deviasi ( ) 1. Perangkat Lunak
Standar Deviasi adalah salah satu teknik statistik Perangkat lunak yang digunakan untuk membuat
yang digunakan untuk menjelaskan homognitas aplikasi terdapat dua macam yaitu:
kelompok yang ditunjukkan seperti persamaan (3). - Sistem Operasi Microsoft Windows 7
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
(3) Professional 64-bit.
- Eclipse Juno, digunakan untuk mengetik kode
Dimana merupakan nilai standar deviasi. N pemrograman untuk aplikasi yang dibangun.
merupakan jumlah total piksel, Xi nilai piksel pada - OpenCV 2.4.9, adalah salah satu library yang
posisi ke-i dan µ merupakan nilai rata-rata piksel. digunakan untuk pengolahan citra.
- Sistem Operasi Android OS, v5.0.0 (Lollipop)
E. Android
yang digunakan sebagai tahap implementasi pada
Android adalah sebuah sistem operasi untuk smartphone.
perangkat mobile yang menyertakan middleware 2. Perangkat Keras
(virtual machine) dan sejumlah aplikasi utama yang di Perangkat keras yang digunakan untuk
release oleh Google. [11] Android adalah sistem operasi mengembangkan aplikasi terdapat dua macam yaitu:
mobile yang berbasiskan pada versi modifikasi dari - Laptop ASUS A46CM dengan Prosesor Intel®
Linux. [10] Core™ i5-3317U CPU @1.70GHz (4
Android Software Development Kit (SDK) CPUs),~1.7GHz, RAM 4 GB, dan VGA NVIDIA
merupakan perangkat lunak untuk membuat dan GeForce 635M 2 GB. Perangkat ini digunakan
mengembangkan aplikasi android. Di dalamnya dalam proses pembuatan aplikasi.
terdapat library, debugger, android emulator, serta - Smartphone Lenovo P70 digunakan untuk tahap
perangkat lunak lainnya yang dibutuhkan untuk implementasi dan pengujian aplikasi.
membuat sebuah aplikasi android. [11]
B. Prosedur Pengembangan Program
F. Eclipse
Proses perancangan perangkat lunak terdapat
Eclipse adalah sebuah software IDE (Integrated beberapa prosedur yang dapat diimplementasikan agar
Development Environment) open source yang dibuat citra digital mampu dianalisis secara akurat dan akan
oleh perusahaan Eclipse Foundation, untuk menentukan hasil akhir dari aplikasi yang telah dibuat.
mengembangkan perangkat lunak juga dapat Perancangan perangkat lunak dilakukan dengan
dijalankan di semua platform. Pengembangan terbuka memetakan atau menggambarkan sistem secara
terdiri dari kerangka kerja dan alat runtimes untuk terstruktur disertai alur data.
membangun, menyebarkan dan mengelola perangkat
lunak diseluruh siklus hidup. [11] 1. Perancangan Diagram Alir Sistem
Aplikasi meat detection pada tugas akhir ini
G. OpenCV merupakan aplikasi yang berjalan pada smartphone
OpenCV (Open Computer Vision) adalah sebuah berbasis sistem operasi Android. Diagram alir pada
API (Application Programming Interface) Library gambar 4 menggambarkan langkah-langkah dan urut-
yang sudah sangat familiar pada Pengolahan Citra urutan prosedur dari sistem yang dibuat.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 324
menunjukkan pada saat pertama kali aplikasi
dijalankan, aplikasi akan menampilkan halaman menu
utama. Selanjutnya apabila pengguna masuk ke dalam
menu deteksi maka akan dialihkan ke halaman
identifikasi, atau pengguna dapat memilih untuk masuk
ke halaman bantuan, tentang dan keluar.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 325
berisi tentang cara penggunaan aplikasi bagi pengguna.
Tampilan halaman Bantuan ditunjukkan seperti pada
gambar 10.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 326
berukuran 600x353 piksel. Masing-masing citra akan 9. Grade7b - - - v - 5
dikonversi ke dalam citra k-mean dengan klaster 2 10. Grade9b - - - v - 5
hingga 6. Sebagian contoh citra yang diujikan dapat
ditunjukkan seperti pada gambar 12. Dari Tabel 1, tanda (-) menandakan citra yang
diuji tidak mirip dan tanda (v) menandakan citra yang
diuji mirip sehingga dapat diketahui bahwa dari
sepuluh data citra yang digunakan dalam pengujian,
nilai k yang paling mirip dengan citra asli adalah pada
saat k = 5. Hal ini dikarenakan pengelompokan antara
piksel-piksel citra daging pada saat segmentasi k = 5
lebih merata, sehingga warna segmentasi daging mirip
dengan warna daging dari citra asli.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 327
citra lemak sudah tampak sesuai dengan jumlah Tabel 3 Tingkatan mutu daging
klasternya, sehingga dari jumlah klaster ini dapat Persyaratan mutu
No Jenis uji
diketahui warna dari citra lemak yang mirip dengan I II III
citra asli. Hasil segmentasi citra yang telah 1 Warna Merah Merah Merah
daging terang Kegelapan gelap
diujicobakan dapat ditunjukkan seperti pada Tabel 2.
Skor 1 - 5 Skor 6 -7 Skor 8 - 9
Pada Tabel 2 menunjukkan jumlah klaster yang diuji 2 Warna Putih Putih Kuning
pada citra lemak dengan nilai k yang signifikan pada lemak Skor 1 - 3 kekuningan Skor 7 - 9
proses segmentasi citra dari setiap sampel. Skor 4 - 6
3 Marbling Skor 9 – 12 Skor 5 – 8 Skor 1 – 4
Tabel 2 Pengujian klaster daging
Nama Citra Nilai k yang diuji Nilai k yang Penilaian warna daging dilakukan dengan melihat
No. warna permukaan otot mata rusuk dengan bantuan
(.jpg) 2 3 4 5 6 signifikan
1. Grade4a - - v - - 4 cahaya senter dan mencocokkannya dengan standar
2. Grade5a - - v - - 4 warna. Nilai skor warna ditentukan berdasarkan skor
3. Grade6a - - - v - 5 standar warna yang paling sesuai dengan warna daging.
4. Grade7a - - - v - 5 Standar warna daging terdiri atas 9 skor mulai merah
5. Grade9a - - - v - 5 muda hingga merah tua yang ditunjukkan pada gambar
6. Grade4b - - - - v 6 16
7. Grade5b - - - v - 5
8. Grade6b - - v - - 4
9. Grade7b - - - - v 6
10. Grade9b - - - v - 5
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 328
diketahui kualitasnya apakah sesuai atau tidak. Berikut
data hasil olahan citra seperi ditunjukkan pada tabel 5.
Analisis Citra
Data Citra Asli Citra k=5 Standar
Mean
Deviasi
1 97.29 47.87
1 3 2 I
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 329
mean < 96 dan St dev < 38, 47 dengan fungsinya. tabel 8 menunjukkan hasil
III 105 > mean > St dev < 42.5 pengujian program.
dan St dev > 48
Tabel 8 Pengujian tombol pada aplikasi
No. Parameter Keterangan Hasil Uji
Pada hasil penelitian didapatkan 4 (empat) nilai Pengujian
statistik daging kualitas buruk yang menyimpang dan 1. Tombol Ketika tombol Benar
masuk dalam rentang daging kualitas baik (Data 11, Mulai ditekan, maka
12, 19, dan 20). Penentuan akurasi dapat dihitung. Deteksi aplikasi akan
menampilkan
halaman Mulai
Deteksi.
2. Tombol Ketika tombol Benar
Bantuan ditekan, maka
Dari tabel akurasi sistem tersebut didapatkan aplikasi akan
tingkat akurasi untuk identifikasi kualitas daging menampilkan
berdasarkan perhitungan ekstraksi ciri menggunakan halaman Bantuan.
metode k-mean clustering yaitu mencapai 80%. 3. Tombol Ketika tombol Benar
Diperlukan penelitian lebih lanjut untuk dapat Tentang ditekan, maka
menemukan acuan yang tetap untuk menentukan aplikasi akan
kualitas daging yang baik dan buruk. menampilkan
halaman Tentang.
C. Pengujian Aplikasi 4. Tombol Ketika tombol Benar
Pengujian “Aplikasi Pengolahan Citra Digital Kamera ditekan, maka akan
Meat Detection dengan Metode Segmentasi K-Mean menampilkan fitur
Clustering Berbasis OpenCV dan Eclipse” dilakukan kamera, dan akan
dengan menggunakan teknik black-box, dengan kata mengambil citra
lain pengujian yang menekankan fungsionalitas dari secara langsung.
program. Pengujian dilakukan untuk mengevaluasi 5. Tombol Ketika tombol Benar
apakah aplikasi telah berjalan sebagaimana mestinya Galeri ditekan, maka akan
sehingga dapat diperoleh data dan dapat ditarik menampilkan fitur
kesimpulan bahwa telah memenuhi rumusan masalah galeri dari
penelitian. Hasil dari pengujian fungsi pada aplikasi smartphone untuk
ini, dapat dilihat pada tabel 7. memuat citra dari
galeri
Tabel 7 Pengujian fungsi pada aplikasi
6. Tombol K- Ketika tombol Benar
No. Fungsi Hasil Uji
mean ditekan, maka akan
1. Menampilkan halaman Awal Berhasil menampilkan citra
Program
k-mean dari citra
2. Pemilihan menu Mulai Berhasil daging asli yang
Deteksi telah diolah sesuai
3. Pemilihan menu Bantuan Berhasil cluster
4. Pemilihan menu Tentang Berhasil 7. Tombol Ketika tombol Benar
5. Menampilkan halaman Berhasil Analisis ditekan, maka akan
Pengolahan Citra menampilkan nilai
6. Menampilkan halaman Berhasil mean dan nilai
Bantuan standar deviasi serta
7. Menampilkan halaman Berhasil hasil kualitas
Tentang daging
8. Memuat citra daging asli Berhasil
9. Menampilkan citra k-mean Berhasil
10. Menampilkan nilai ekstraksi Berhasil V. PENUTUP
ciri A. Kesimpulan
11 Menampilkan hasil kualitas Berhasil Berdasarkan hasil penelitian dan pembahasan,
daging dapat disimpulkan beberapa hal berikut:
12. Menyimpan citra k-mean Berhasil 1. Aplikasi yang dibuat pada tugas akhir ini berhasil
mengolah data citra daging yang berasal dari
Aplikasi ini terdiri atas tombol-tombol kontrol penelitian terdahulu yang diunggah melalui galeri
eksekusi, diantaranya tombol Mulai Deteksi, Bantuan, smartphone, citra yang diolah melalui tahap
Tentang, Kamera, Galeri, K-mean, Analisis, serta segmentasi menggunakan metode k-mean
Simpan. Masing-masing tombol telah bekerja sesuai clustering.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 330
2. Dalam data yang digunakan dalam penelitian, [3] Hermawat, Fajar Astuti, “Pengolahan Citra
nilai k yang paling mirip dengan citra asli adalah Digital : Konsep dan Teori”, Yogyakarta: Andi,
pada saat k = 5. 2013.
3. Berdasarkan hasil penelitian sampel data uji yang [4] Sutoyo. T, Mulyanto. Edy, Suhartono. Vincent,
digunakan untuk penentuan parameter citra, nilai Dwi Nurhayati Oky, Wijanarto, “Teori
jangkauan mean pada citra daging berkualitas Pengolahan Citra Digital”, Andi Yogyakarta dan
baik antara 96.5 hingga 99.5 dan nilai standar UDINUS Semarang, 2009.
deviasi antara 47 hingga 48. Nilai jangkauan [5] Achmad, B. & Kartika Firdausy, “Pengolahan
mean pada citra daging berkualitas sedang antara Citra Digital Menggunakan Delphi”, Yogyakarta:
99.5 hingga 105 dan nilai standar deviasi antara Andi, 2013.
39 hingga 42.5. Sedangkan nilai jangkauan mean [6] Putra, Darma, “Pengolahan Citra Digital”,
pada citra daging berkualitas buruk dibawah 96.5 Yogyakarta : Andi, 2010.
dan diatas 105 serta nilai standar devasi dibawah [7] Nalwan, A., “Pengolahan Gambar Secara
38, antara 42.5 hingga 47 serta diatas 48. Digital”, Jakarta: Elex Media Komputindo, 1997.
4. Hasil deteksi kualitas daging dari aplikasi ini
[8] Irwanto, “Optimasi Kinerja Algoritma
mempunyai presentase tingkat keberhasilan yang
Klasterisasi K-Means untuk Kuantisasi Warna
baik. Secara keseluruhan tingkat keberhasilan
Citra”, Fakultas Teknologi Informasi, Institut
aplikasi pengolahan citra digital dengan metode k-
Teknologi Sepuluh Nopember, Surabaya, 2012.
men clustering yaitu sebesar 80%.
[9] Fadlil, Abdul, “Modul Kuliah Pengenalan Pola.
5. Penentuan Parameter kualitas sampel daging baik
Universitas”, Yogyakarta: Ahmad Dahlan, 2012.
atau buruk dilakukan berdasarkan penglihatan
[10] Komputer, Wahana, “Step by Step Menjadi
kasat mata serta pencocokan standar warna
Programmer Android”, Yogyakarta: Andi, 2013.
daging dan standar warna lemak.
[11] Safaat H, N. Android : Pemrograman Aplikasi
Mobile Smartphone dan Tablet PC. Bandung:
B. Saran
Informatika, 2012.
Aplikasi pengolahan citra digital Meat Detection [12] Priawadi, “OpenCV”, Priawadi, September 2012,
dengan metode segmentasi k-mean clustering berbasis [Online]. Tersedia:
OpenCV dan Eclipse ini masih terdapat beberapa hal http://www.priawadi.com/2012/09/opencv.html
yang memungkinkan untuk dikembangkan selanjutnya. [Diakses: 20 Mei 2015].
Beberapa saran untuk pengembangan yang lebih baik [13] Badan Standardisasi Nasional, “Mutu Karkas dan
adalah sebagai berikut. Daging Sapi”, SNI:3932:2008, 2008.
1. Dapat dilakukan penambahan parameter ekstraksi [14] Adi K., Pujiyanto, S., Nurhayati O. D. and
ciri yang lain yaitu Skewness, Kurtosis, Entropy Pamungkas A., “Beef Quality Identification using
untuk mengukur keakuratan. Color Analysis and K-Nearest Neighbor
2. Pengembangan aplikasi agar dapat dijalankan Classification”, In Information Technology, and
pada berbagai platform, seperti iOS, Windows Biomedical Engineering (ICICI-BME), Bandung,
Phone, dan Blackberry. Indonesia, 2015.
[15] Kiswanto, “Identifikasi Citra Untuk
DAFTAR PUSTAKA Mengidentifikasi Jenis Daging Sapi Dengan
[1] Usmiati, S., “Pengawetan Daging Segar dan Menggunakan Transformasi Wavelet Haar”,
Olahan”, Bogor: Balai Besar Penelitian dan Tesis Universitas Diponegoro, 2012.
Pengembangan Pascapanen Pertanian, 2010.
[2] Purbowati, E., C. I. Sutrisno, E. Baliarti, S. P. S.
Budhi dan W. Lestariana, “Karakteristik fisik otot
Longissimus dorsi dan Biceps femoris domba
local jantan yang dipelihara di pedesaan pada
bobot potong yang berbeda”. J. Protein.
33(2):147-153, 2006.
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 331
()
Jurnal Teknologi dan Sistem Komputer, Vol.4, No.2, April 2016 (e-ISSN: 2338-0403) JTsiskom - 332