Laporan Sistem Transformasi Data

Image Comparison using Fiji ImageJ Processing and Adobe

Photoshop CC 2019 to Analyze & Detect Quality Level of Beef Sort

(Perbandingan Gambar menggunakan Software Pemrosesan Fiji ImageJ dan Adobe

Photoshop CC 2019 untuk Menganalisis dan Mendeteksi Tingkat Kualitas Jenis
Daging Sapi)

Ditujukan untuk memenuhi Ujian Tengah Semester IV Sistem Transformasi Data yang
dibimbing oleh: Bapak Imam Yuadi S.Sos., M.MT., Ph.D

Disusun oleh Kelompok 11 :

Rafi Arkhab Astama (071911633070)

Mohammad Rhenald Armand (071911633089)

Ilmu Informasi dan Perpustakaan

Fakultas Ilmu Sosial Ilmu Politik
Universitas Airlangga
Surabaya
2021
 PENDAHULUAN

Kebutuhan daging sapi yang tiap saat meningkat sering dimanfaatkan oleh penjual
daging sapi untuk melakukan berbagai aksi yang sebenarnya haram, seperti kecurangan.
Kecurangan yang sering dimanfaatkan pada umumnya dalam hal kualitas daging sapi.
Kualitas daging ditentukan oleh beberapa parameter, termasuk parameter ukuran, tekstur,
karakteristik warna, bau daging dan sebagainya. Parameter atau ukuran adalah salah satu
faktor penting untuk menentukan kualitas daging. Biasanya banyak masyarakat pada saat
menentukan kualitas daging, hanya menilai objek yang dilihatnya semata dengan
menggunakan indra penglihatan. Sehingga cara manual masih bersifat subjektif dalam
menilai kualitas daging.

Laporan ini bertujuan untuk mendeteksi dan menganalisis kualitas daging sapi dari
aspek Ekualisasi Histogram dan Thresholding. Adapun software yang kami gunakan yaitu
processing Fiji ImageJ dan raster graphics editor Adobe Inc, yaitu Photoshop CC 2019.
Keduanya kami jadikan tolok ukur analisis dengan faktor mudah dalam menganalisis gambar,
seperti dapat diketahui hasil nilai statistik mean dan standar deviasi dari hasil citra olahan
ekualisasi histogram dan thresholding. Sehingga kami sendiri pada akhirnya menggunakan
fitur analisis histogram dan thresholding. Hasil ini diharapkan dapat ditransformasikan
datanya menjadi sebuah informasi untuk pengambilan keputusan pada saat ingin membeli
daging sapi dengan melihat kualitasnya, layak atau tidak. dan juga sebagai tolok ukur untuk
laporan selanjutnya.
 DASAR TEORI

1. Daging Sapi

Daging adalah semua jaringan hewan dan semua produk hasil pengolahan
jaringan-jaringan tersebut yang dapat dimakan serta tidak menimbulkan gangguan
kesehatan bagi yang mengonsumsinya. Organ-organ seperti hati, paru-paru, limpa,
pankreas, otak, jantung, ginjal dan jaringan otot termasuk dalam definisi ini. Pada
praktiknya, definisi ini terbatas hanya pada beberapa lusin dari sekitar 3000 spesies
mamalia. Daging terutama terdiri dari air, protein, dan lemak. Ini bisa dimakan
mentah, tetapi biasanya dimakan setelah dimasak dan dibumbui atau diolah dengan
berbagai cara. Daging yang tidak diolah akan membusuk atau membusuk dalam
beberapa jam atau hari akibat infeksi dan pembusukan oleh bakteri dan jamur.
Berdasarkan SNI, daging sapi adalah bagian otot skeletal dari karkas sapi yang aman,
layak dan lazim dikonsumsi oleh manusia, dapat berupa daging segar atau daging
beku. Karakteristik khusus daging sapi yang sehat adalah berwarna merah
terang/cerah, mengkilap, tidak pucat, elastis, tidak lengket dan beraroma “khas”. Sifat
sensorik yang dimiliki daging dapat menentukan kemampuan penerimaan bagi
konsumen.

2. Fiji ImageJ

ImageJ merupakan sebuah software pengolah citra/gambar yang

dikembangkan oleh Wayne Rasband dari National Intitutes of Health (NIH). ImageJ
ditulis menggunakan Java yang dapat dijalankan pada sistem operasi linux,
macintosh, dan windows serta dapat digunakan pada mode 32 bit dan 64 bit. Selain itu
ImageJ dapat digunakan secara online maupun dipasang pada komputer. ImageJ
memiliki keunggulan dibandingkan software pengolah gambar lainnya yaitu
merupakan software domain public yang artinya tidak ada batasan hak cipta.
Pengguna diizinkan untuk menjalankan program, membagikan salinan, dan membuat
perubahan positif pada program. Software imageJ dapat didownload dengan gratis di
https://imagej.nih.gov/ij/.
 Adapun tampilan software ImageJ pada visualnya mendukung semua proses
manipulasi gambar secara umum termasuk membaca dan mengedit file gambar.
Format gambar yang dapat dibaca antara lain TIFF, GIF, JPEG, BMP, DICOM, FITS,
dan RAW. Selain itu juga dapat digunakan untuk memproses gambar secara langsung
dari kamera, scanner, dan video recorder. ImageJ memungkinkan pengguna untuk
membuat grafik dari data serta meningkatkan kualitas gambar. Ini sering digunakan
untuk menganalisis gambar mikroskop, pengukuran area, penghitungan partikel,
segmentasi dan pengukuran fitur spasial atau temporal dari elemen biologis. Fitur-
fitur ini sangat penting bagi para peneliti untuk menganalisis foto dan gambar mereka.

3. Adobe Photoshop CC 2019

Adobe Photoshop adalah perangkat lunak editor citra buatan Adobe Systems
yang dikhususkan untuk pengeditan foto/gambar dan pembuatan efek. Perangkat
lunak ini banyak digunakan oleh fotografer digital dan perusahaan iklan sehingga
dianggap sebagai pemimpin pasar (market leader) untuk perangkat lunak pengolah
gambar/foto, dan, bersama Adobe Acrobat, dianggap sebagai produk terbaik yang
pernah diproduksi oleh Adobe Systems. Versi kedelapan aplikasi ini disebut dengan
nama Photoshop CS (Creative Suite), versi sembilan disebut Adobe Photoshop CS2,
versi sepuluh disebut Adobe Photoshop CS3, versi kesebelas adalah Adobe Photoshop
CS4, versi keduabelas adalah Adobe Photoshop CS5, versi ketigabelas adalah CS6,
dan versi terbaru adalah Adobe Photoshop CC (Creative Cloud).

Adobe Photoshop CC ini membawa beberapa fitur yang dipunyai Adobe

Lightroom 5 beta seperti salah satunya Camera Raw. Dengan menggunakan fitur satu
ini, maka pengeditan mulai dari saturasi sampai cerah tidaknya gambar dapat diatur
lebih komplet dan mudah. Tidak hanya membawa beberapa peralatan dari Adobe
Lightroom, di Creative Cloud juga terdapat tools yang dapat digunakan untuk
mendesain sebuah gambar seperti halnya yang ditemui di Adobe Illustrator. Selain itu,
di Adobe Photoshop CC ini juga dapat digunakan untuk menggenerasi kode CSS serta
mengimport warna dari HTML sebuah situs. Seperti banyak yang sudah diketahui, di
Photoshop CS6, ada satu fitur yang dinamakan 3D Tools. di Creative Cloud ini, tim
Adobe masih menyematkan fitur tersebut dengan penambahan beberapa peralatan
baru lain. Pengguna produk baru Adobe ini tidak hanya dapat mengedit gambar atau
 foto saja, melainkan juga dapat mengedit sebuah video. Beberapa fitur bawaan Adobe
Premiere pro video editor sengaja diikutsertakan di dalam Adobe Photoshop CC ini.

4. Ekualisasi Histogram

Menurut Sianipar (2013), histogram merupakan suatu grafik yang

mengindikasikan jumlah kemunculan setiap level keabuan pada suatu citra. Menurut
Gonzales dkk (2003), ekualisasi histogram merupakan metode untuk memperbaiki
kualitas citra dengan cara mengubah sebaran tingkat keabuan citra. Hal ini
dimaksudkan agar sebaran tingkat keabuan lebih merata dibandingkan dengan citra
aslinya. Menurutnya pula, masalah yang terjadi pada pelebaran histogram adalah fakta
bahwa diperlukannya masukan dari pengguna atau pemakai. Seringkali dijumpai
bahwa pendekatan yang lebih baik adalah menggunakan ekualisasi histogram karena
keseluruhan prosedur dilakukan secara otomatis. Idenya adalah mengubah histogram
suatu citra menjadi seragam; yaitu setiap grafik batang pada histogram harus sama
tinggi, atau dengan kata lain bahwa setiap level keabuan dalam citra harus memiliki
frekuensi kemunculan yang sama.

5. Thresholding

Thresholding merupakan salah satu metode segmentasi yang sederhana

sehingga mudah diterapkan yaitu pengambangan mensegmentasikan citra menjadi dua
wilayah. Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada
pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah
sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 8, maka tinggal
membagi nilai derajat keabuan dengan 8. Proses thresholding ini pada dasarnya
adalah proses pengubahan kuantisasi pada citra. Untuk mencoba melakukan proses
thresholding, perlu dibuat program untuk dapat mengubah-ubah nilai tresholding
sesuai keinginan. Sehingga perlu ditampilkan dua citra, yaitu citra asli (grayscale) dan
hasil thresholdingnya dengan nilai thresholding yang ditentukan melalui input.
Thresholding atau pengambangan merupakan metode yang bisa digunakan dalam
segmentasi dalam pengolahan citra digital atau bisa juga pemisahan antara derau
dalam pengolahan isyarat 1 dimensi atau juga 2 dimensi.

6. Ekstraksi Ciri
 Ekstraksi ciri adalah tahapan mengekstrak ciri/informasi dari objek di dalam
citra yang ingin dikenali/dibedakan dengan objek lainnya. Ciri yang telah diekstrak
kemudian digunakan sebagai parameter/nilai input untuk membedakan antara objek
satu dengan lainnya pada tahapan identifikasi/klasifikasi. Ekstraksi ciri merupakan
langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini
berhubungan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri
yang sesuai. Karakteristik umum yang digunakan untuk mengenali satu atau beberapa
objek di dalam citra adalah ukuran, posisi atau lokasi, dan orientasi atau sudut
kemiringan objek terhadap garis patokan yang digunakan. Salah satu metode yang
digunakan pada ekstraksi ciri adalah ekstraksi ciri statistik orde pertama. Ekstraksi ciri
orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik
histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat
keabuan piksel pada suatu citra.

Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa

parameter ciri statistik orde pertama dalam laporan ini yaitu rata-rata (mean) dan
standar deviasi.

1. Mean (µ)

Menunjukkan ukuran dispersi dari suatu citra seperti persamaan. Rumusnya adalah:

𝜇 = ∑ 𝑓𝑛 𝑝(𝑓𝑛)

Keterangan: 𝑓𝑛 merupakan suatu nilai intensitas keabuan, sementara 𝑝(𝑓𝑛)

menunjukkan nilai histogramnya (probabilitas kemunculan intensitas tersebut pada
citra).

2. Standar Deviasi (𝜎)

Standar deviasi adalah akar kuadrat dari total selisih dengan nilai rata-ratanya. Standar
Deviasi adalah salah satu teknik statistik yang digunakan untuk menjelaskan
homogenitas kelompok. Jadi ini sebagai variasi sebaran data, makin kecil sebarannya
berarti variasi nilai data makin sama. Akan didapat jumlah ukuran yang detail. Nilai
standar deviasi dari sebuah citra ada perhitungannya. Rumusnya adalah:
 Keterangan: 𝜎 merupakan nilai standar deviasi, 𝑁 merupakam jumlah total piksel,
𝑋𝑖 menunjukkan nilai piksel pada posisi ke-I dan µ merupakan nilai rata-rata piksel
dalam citra.

HASIL DAN PEMBAHASAN

1. Kebutuhan Sistem

Perangkat lunak yang kami gunakan untuk pengerjaan ini yaitu: 1). Sistem
Operasi Microsoft Windows 10 Version 10.0.19042 Build 19042 x-64, 2). Sistem
Operasi Android Version 10 QP1A.190711.020, 3). Microsoft Office Word 2019, 4).
Fiji ImageJ, 5). Adobe Photoshop CC 2019.

Perangkat keras yang kami gunakan yaitu: 1). Laptop HP 14s-fq0xxx OS i5

dengan tipe sistem x64 dan prosessor AMD Ryzen 5 4500U Radeon Graphics 2).
Smartphone Redmi 9A MIUI Version 12.0.4.0 (QCDIDXM), 3). Iphone X. Pada
intinya, kami menggunakan hanya 2 hardware ini, laptop untuk menganalisis dan
menguji gambar, sedangkan smartphone untuk mengambil gambar secara fisik.
Adapun settings yang kami tentukan pada pengambilan foto daging sapi melalui
smartphone adalah dengan tipe lensa kamera 13 MP dengan jarak capture 5 cm – 25
cm (mode pro).

2. Rancangan Analisis

Kami berencana memulai analisis dengan 2 software, yaitu Fiji ImageJ dan
Adobe Photoshop CC 2019. Yang pertama menggunakan Fiji ImageJ terlebih dahulu.
Tahap dimulai dengan beberapa foto atau citra yang akan kami kumpulkan
berdasarkan kriteria baik dan buruk dengan ekstensi .jpg dimana telah diambil 7
sampel data citra daging sapi yang dipilih untuk pengujian analisis yang akan
digunakan sebagai parameter. Citra daging sapi dengan format .jpg dikonversi
menjadi citra grayscale (aras keabuan), selanjutnya citra dikonversi ke citra grayscale
(aras keabuan) ekualisasi histogram sebagai pra-pengolahan citra untuk meningkatkan
akurasi ketepatan dari sampel citra daging sapi. Terakhir citra dikonversi ke
segmentasi citra thresholding.
 Setelah itu kami gunakan software kedua yaitu Adobe Photoshop CC 2019.
Tahap dimulai dari input foto asli melalui file-open, kemudian untuk mengolah
menjadi grayscale lakukan duplicate layer foto asli untuk uji coba dan backup, baru
kemudian pilih tools image-adjustments-black and white. Dari sini, kami akan
menentukan preset maximum black karena netral (semua RGBs dan filter pada posisi
0%). Setelah itu klik ok. Selanjutnya baru alihkan menjadi grayscale dengan cara
tools image-mode-grayscale. Setelah itu kami convert ke ekualisasi histogram dengan
cara klik tools image-adjustments-equalize. Dari ekualisasi histogram yang
didapatkan hasilnya tanpa ada pengaturan preset, terakhir kami lakukan convert ke
threshold dengan cara klik tools image-adjusments-threshold. Akan muncul gambar
seperti grafik, pastikan untuk tidak perlu diotak-atik sehingga threshold levelnya yang
ada pada kami sebesar 128. Sampai sini telah selesai analisisnya, dan selanjutnya
dibandingkan dengan Fiji ImageJ. (Catatan: disarankan untuk duplicate layer dan
namakan layer dengan tahap tiap convert agar tak menghilangkan komposisi gambar
yang telah diatur secara bertahap).

(Gambar 1 dan 2. estimasi diagram tahapan sistem pemrosesan di Fiji ImageJ

(kiri) dan Adobe Photoshop CC 2019 (kanan))

(created by diaw.exe app)

1. Hasil olahan input foto/citra

a). Foto/citra asli
 Kami menginput foto dengan format citra RGB (24 bit) berekstensi
.jpg, ditunjukkan gambar 2: (contoh kami memfoto daging giling sapi)

b). Foto/citra grayscale

Citra asli yang dikonversikan menjadi grayscale dengan format 8 bit
berekstensi .jpg, dapat ditunjukkan seperti gambar 3:

c). Foto/citra ekualisasi histogram

Citra grayscale dikonversi ke citra ekualisasi histogram 8 bit (process-
enhance contrast-equalize histogram) dengan ekstensi .jpg, dapat
ditunjukkan seperti gambar 4:

d). Foto/citra thresholding

 Ini dimuat sebagai input program dengan format citra RGB berekstensi
.jpg dan usai convert-an ekualisasi, dapat ditunjukkan seperti gambar

5:

3. Penentuan Parameter Kualitas Foto Daging Sapi

Persyaratan mutu
No Jenis uji
I II III
1 warna daging merah terang skor 1-5 merah kegelapan skor 6-7 merah gelap skor 8-9
2 warna lemak putih skor 1-3 putih kekuningan skor 4-6 kuning skor 7-9
3 marbling skor 9-12 skor 5-8 skor 1-4

A. Penentuan parameter tahap 1 adalah tahapan untuk menentukan penilaian kualitas

daging sapi. Pada tahap ini penilaian kualitas dilakukan secara subjektif dari
warna yang dilakukan berdasarkan sumber dari BSN (Badan Standardisasi
Nasional) mengenai mutu karkas dan daging sapi (SNI 3932:2008). Penentuan
parameter diukur dari warna daging, warna lemak, dan juga marbling. Terbagi
menjadi 3 tingkatan mutu daging yang dapat ditunjukkan pada tabel 1 di bawah:

(Tabel 1. tingkatan mutu daging)

Sementara itu. penilaian warna daging ditentukan dengan melihat warna

permukaan otot mata rusuk dengan bantuan cahaya senter dalam hal ini kami
menggunakan flashlight HP dan mencocokkannya dengan 9 standar warna. Nilai skor
warna ditentukan berdasarkan skor standar warna yang paling sesuai dengan warna
daging. Standar warna daging terdiri atas 9 skor mulai merah muda hingga merah tua.
 Gambar 6. standar warna daging sapi

1 2 3 4 5 6 7 8 9

#f4d4c #f69c9 #ef736 #e74129 #e01f2 #d5212 #c01b15 #ab1b14 #940807

9 4 7 0 0

Berdasarkan Hex/eyedropper tool dari Photoshop, warna di atas dapat

diklasifikasikan:X

Sementara itu, penilaian warna lemak dilakukan dengan melihat warna lemak
subkutis (lapisan terdalam dari kulit) dengan bantuan cahaya senter juga dalam hal ini

yaitu flashlight HP dan mencocokkannya dengan standar warna. Nilai skor warna
ditentukan berbasis skor standar warna yang paling sesuai dengan warna lemak. Sama
seperti standar warna daging, warna lemak ini terdiri dari 9 skor. Mulai dari warna
putih hingga kuning.

Gambar 7. standar warna lemak

1 2 3 4 5 6 7 8 9

#fefef6 #f8f6df #fdeec4 #fde499 #fcde83 #efcf62 #f7ce52 #f7c639 #f6c509

Berdasarkan Hex/eyedropper tool dari Photoshop, warna di atas dapat

diklasifikasikan:X
 Terakhir, penilaian marbling. Marbling adalah lemak putih yang tersebar di
dalam otot daging. Semakin banyak sebaran marbling dalam daging maka semakin
baik pula kualitas daging tersebut, begitu pun sebaliknya. Penilaian dilakukan dengan
melihat intensitas marbling pada permukaan otot mata rusuk dengan bantuan
flashlight HP dan mencocokkannya dengan standar marbling. Sejauh ini belum
ditemukan cara menentukan penilaian marbling berdasarkan nilai statistik ekstraksi
ciri. Nilai skor marbling ditentukan berdasarkan skor standar marbling yang paling
sesuai dengan intensitas marbling otot mata rusuk. Standar marbling terdiri atas 12
skor mulai dari praktis tidak ada marbling hingga banyak. Dapat ditunjukkan dengan
gambar di bawah:

Gambar 8. standar marbling

B. Penentuan parameter tahap 2 adalah tahapan untuk menerapkan parameter kualitas

daging yang telah didapat dari tahap 1. Penentuan dilakukan pada 7 sampel data
foto/citra yang telah dipilih sebelumnya secara random. Sampel-sampel tersebut
ditentukan berdasarkan warna daging dan warna lemak. Berikut ini contoh sampel
data citra dari 20 data citra yang diujikan ditunjukkan pada tabel 2 di bawah:

(Tabel 2. hasil pengamatan subjektif sampel data citra)

 Skor Foto/citra dengan Skor
Data Foto/citra warna fokus lemak subkutis warna Mutu
daging (HP flashlighted) lemak

1
3 3 I

2
2 4 II

3
3 1 I

1 3 I

8 3 III
 6

8 5 III

7
6 4 II

4. Perbandingan Statistik Foto/Citra

Merupakan tahapan dalam penelitian setelah menentukan parameter kualitas

citra daging. Tahap ini akan memaparkan ekstraksi ciri atau analisis citra daging sapi
serta compare hasil analisis Fiji ImageJ dengan Adobe Photoshop CC 2019. 7 sampel
data citra daging sapi yang sudah ditentukan kualitasnya, selanjutnya masing-masing
diproses atau diolah citra, dimana setelah citra terkonversi ke grayscale – ekualisasi
histogram – thresholding. Berikut hasil deteksi foto/citra menggunakan Fiji ImageJ
yang ditunjukkan pada tabel 3, dan Adobe Photoshop CC 2019 pada tabel 4:

(Tabel 3. hasil analisis menggunakan Fiji ImageJ)

Foto/citra olahan
Data Foto/citra (thresholding) Mean (1 decimal) Standar deviasi

1
155,6 62,8
2

138,3 67,5

123,4 62,6

140,4 62,4

96,2 123,6

171,6 79,0

7
150,3 73,7

(Tabel 4. hasil analisis menggunakan Adobe Photoshop CC 2019)

Data Foto/citra Foto/citra olahan Mean (1-2 Standar deviasi
(thresholding) decimal)

1
129,65 117,88

2
128,20 122,80

126,17 116,62

4
128,44 124,05

5
127,64 127,50

6
128,01 125,25
7
129,00 127,49

Berdasarkan hasil uji coba menggunakan aplikasi Fiji ImageJ (Tabel 3) dan
software Adobe Photoshop CC 2019 (Tabel 4) dengan menggunakan proses
pengolahan yang sama, dapat dihasilkan output nilai statistik yang berbeda. Masing-
masing memiliki keunggulan dan kelemahan dalam proses pengukurannya. Faktor-
faktor yang mempengaruhi perbedaan ukuran mereka diantaranya:

1). Hasil dari proses pengolahan citra segmentasi thresholding antara aplikasi Fiji
ImageJ dan software Adobe Photoshop CC 2019 terlihat citra yang dihasilkannya
memiliki ketebalan hitam (black thickness) yang berbeda. Pada aplikasi Fiji ImageJ,
citra yang dihasilkan kurang hitam daripada yang dihasilkan aplikasi Adobe
Photoshop CC 2019.

2). Pada penghitungan nilai statistik di aplikasi Fiji ImageJ, latar belakang
(background) terlihat tidak ikut dihitung, hanya benar-benar citra dagingnya saja yang
dihitung. Sedangkan pada software Adobe Photoshop CC 2019, latar belakang
(background) terdapat 1 foto/citra yang ikut dihitung.

Faktor tersebut membuat citra thresholding yang merupakan citra pengolahan

terakhir hasilnya juga berbeda. Hal tersebut mempengaruhi nilai statistik dari citra
tersebut dan mengakibatkan hasil yang berbeda. Dari hasil yang didapat, pada
akhirnya juga akan mempengaruhi akurasi ketepatan baca untuk menentukan daging
berkualitas baik atau buruk. Untuk menentukan akurasi ketepatan baca, digunakan
formulasi atau rumus yang ditunjukkan dengan persamaan berikut ini:

Akurasi ketepatan baca dari masing-masing aplikasi/software dapat

ditunjukkan sebagai berikut:
a. Fiji ImageJ Image Processing
 Sampel data citra daging sapi dibagi sesuai kualitas mutu yang dihasilkan.
Pada setiap kualitas mutu, diambil nilai maksimal dan minimal dari perhitungan
statistik yang sudah dihasilkan sebelumnya. Dari hasil tersebut didapatkan range
nilai statistik dari masing-masing kualitas mutu daging yang ditunjukkan pada
tabel 5.

(Tabel 5. range mean dan standar deviasi setiap mutu daging sapi –ImageJ)

X Mutu Range
Daging Mean Standar Deviasi
X
I  123,4 – 155,6  62,4 – 62,8
II 138,3 – 150,3 67,5 – 73,7
III m < 96,2 dan m > 171,6 79,00 < Sd < 123,6

Pada hasil kalkulasi dipastikan tidak didapatkan nilai statistik yang

menyimpang dan masuk dalam range daging sapi kualitas mutu lainnya:
0
Akurasi = 100% – * 100% = 100% – 0% = 100%
7
Akurasi yang dihasilkan menggunakan aplikasi/software Fiji ImageJ ini
memiliki ketepatan baca kualitas daging sebesar 100%.

b. Adobe Photoshop CC 2019

Sampel data citra daging sapi dibagi sesuai kualitas mutu yang dihasilkan.
Pada setiap kualitas mutu, diambil nilai maksimal dan minimal dari perhitungan
statistik yang sudah dihasilkan sebelumnya. Dari hasil tersebut didapatkan range
nilai statistik dari masing-masing kualitas mutu daging yang ditunjukkan pada
tabel 6.

(Tabel 6. range mean dan standar deviasi setiap mutu daging sapi –
Photoshop)

Mutu Range
Daging Mean Standar Deviasi
I  126,17 – 129,65 116,62 – 124,05
II 128,20 – 129,00 122,80 – 127,49 
III 127,64 < Sd < 128,01  Sd < 125,25 dan Sd > 127,50 
 Pada hasil kalkulasi didapatkan 3 (tiga) nilai statistik daging sapi yaitu:
a). 1 kualitas buruk menyimpang masuk dalam range daging kualitas sedang,
b). 1 kualitas sedang menyimpang masuk dalam range daging kualitas baik,
c). 1 kualitas baik menyimpang masuk dalam range daging kualitas sedang.
(Data 6, Data 2, dan Data 4). Penentuan akurasi dapat dihitung:
3
Akurasi = 100% – * 100% = 100% – 42.85% = 57.15%
7
Akurasi yang dihasilkan menggunakan aplikasi/software Adobe Photoshop
CC 2019 ini memiliki ketepatan baca kualitas daging sebesar 57,15%.

PENUTUP

A. Kesimpulan

Berdasarkan hasil pengujian dan analisis yang kami lakukan, maka dapat
disimpulkan sebagai berikut:

1. Aplikasi Fiji ImageJ dan Adobe Photoshop CC 2019 yang dibuat pada laporan ini
dapat mengolah citra dari sampel data citra atau gambar dengan menggunakan proses
pengolahan citra ekualisasi histogram dan thresholding (perlakuan sama).

2. Segmentasi thresholding secara signifikan dapat digunakan untuk mengetahui

kualitas daging sehingga dapat digunakan untuk mengidentifikasi.

3. Penentuan parameter kualitas berhasil menentukan citra dengan kualitas daging

baik, sedang (rata-rata), dan buruk yang dibuat berdasarkan pendekatan warna daging,
warna lemak, dan marbling 7 sampel daging sapi.

4. Hasil perbandingan antara aplikasi Fiji ImageJ dengan Adobe Photoshop CC 2019
ditentukan berdasarkan nilai statistik mean dan standar deviasi melalui pengukuran
dari histogram masing-masing.

5. Perhitungan yang didapatkan aplikasi Fiji ImageJ memiliki akurasi ketepatan baca
kualitas daging sapi sebesar 100% (lebih besar) dari akurasi ketepatan baca kualitas
daging berdasarkan software Adobe Photoshop CC 2019 sebesar 57,15% (lebih kecil).

B. Saran
 Berdasarkan pengujian dan analisis terhadap sistem pendeteksi kualitas daging
sapi dengan ekualisasi histogram dan thresholding ini, kami memberikan beberapa
saran untuk pengembangan analisis di masa yang akan datang:

1. Penentuan parameter kualitas daging hanya dengan menggunakan pendekatan

warna daging sapi masih kurang akurat. Dibutuhkan cara lain untuk penentuan yang
lebih akurat.

2. Memperluas dan apabila memungkinkan untuk dapat menambahkan parameter

kualitas citra daging sapi lebih dari 3 (tiga) agar pengguna mampu melihat hasil yang
lebih spesifik daripada hanya foto/citra data mutu I, II, dan III.

3. Perlu perhitungan nilai statistik yang lain untuk mengukur keakuratan dari hasil
laporan kami yang dibangun seperti nilai statistik skewness, kurtosis, center of mass,
integrated density, centroid, dan software atau tools lainnya selain Fiji ImageJ dan
Adobe Photoshop CC 2019 (misalnya mikroskop yang bisa digunakan pada software
dan fisik), serta pada nilai statistik orde kedua (seperti pada probabilitas hubungan
ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu).
 DAFTAR PUSTAKA

Herlambang, Anggit Sri, Oky Dwi Nurhayati, and Kurniawan Teguh Martono. "Sistem
pendeteksi kualitas daging dengan ekualisasi histogram dan thresholding berbasis
Android." Jurnal Teknologi dan Sistem Komputer 4.2 (2016): 404-413.

Falah, Rismawan Fajril, Oky Dwi Nurhayati, and Kurniawan Teguh Martono. "Aplikasi
Pendeteksi Kualitas Daging Menggunakan Segmentasi Region of Interest Berbasis
Mobile." Jurnal Teknologi dan Sistem Komputer 4.2 (2016): 333-343.

Nurhayati, Oky Dwi. "PERBANDINGAN METODE SEGMENTASI OTOMATIS REGION

OF INTEREST DAN K-MEAN CLUSTERING PADA APLIKASI DETEKSI
KUALITAS DAGING SAPI BERBASIS MOBILE." Jurnal Sistem Komputer 10.1
(2020): 35-41.

BSN Indonesia (Badan Standardisasi Nasional), “Mutu Karkas dan Daging Sapi”,
SNI:3932:2008, 2008.

Puspetasari, KJUB. 2021. “https://pakanternaknutrifeed.co.id/artikel/mutu-karkas-dan-

daging-sapi-yang-sesuai-sni/#:~:text=Warna%20daging%20merah%20terang
%20dengan,12%20dengan%20tekstur%20yang%20halus.&text=8%2C%20tekstur
%20sedang-,Golongan%20III.,1%2D4%2C%20tekstur%20kasar”, diakses pada 25
April 2021 pukul 17.12.

ImageJ, Fiji. 2012. “https://imagej.nih.gov/ij/docs/menus/analyze.html”, diakses pada 26

April 2021 pukul 21.04.

Ramadhani, Deddy. 2020. “https://sinauternak.com/cara-membedakan-kualitas-daging-sapi/”,

diakses pada 27 April 2021 pukul 20.51.
Pamungkas, Adi. 2018. “https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-
ciri-citra-digital/”, diakses pada 27 April 2021 pukul 14.32.