Project Data Science

Identifikasi Fertilitas Telur Pra-inkubasi

Menggunakan Metode GLCM dan Naive Bayes

KELOMPOK 3
FREDDY WINARSO (22.55.1203)
CANDRA RUSMANA (22.55.1194)
DANANG ARIFUDDIN (22.55.1202)
HIDAYATUNNISA’I (22.55.1205)
AMIR BAGJA (22.55.1211)

KELAS PJJ
UNIVERSITAS AMIKOM YOGYAKARTA
2022
IDE PROJECT

Ide dari project ini adalah untuk bisa melakukan identifikasi kesuburan telur dan retak telur
sebelum proses inkubasi. Akuisisi citra pada penelitian ini menggunakan konsep egg candling
di tempat gelap yang ditangkap dengan kamera smartphone. Ekstraksi fitur yang diterapkan
pada citra pra-proses adalah Gray Level Co-occurrence Matrix (GLCM) dan untuk algoritma
machine learning yang di gunakan adalah algoritma Naive Bayes.

PAPER REVIEW
Tabel Paper Review yang lebih lengkap dapat dilihat pada ling berikut
https://docs.google.com/spreadsheets/d/1BzRbXzn5Fga8UMM_4IJMxCp3JrED2Y92rWCbN
xQeTjM/edit?usp=sharing
 scopus Obyek Tujuan Saran /
No Judul Tahun Jurnal/Prosiding Penulis / #sinta Penelitian Penelitian Kesimpulan Kelemahan
1. beberapa
telur memiliki pola
yang mirip,
sehingga
mempengaruhi
proses identifikasi
2. hanya 80%
data test yang
1. FOS mempunyai 5 mendapatkan
parameter untuk hasil dari
menampilkan betuk pengujian
Akurasi hasil
telur telur yang 3. Pemakaian
segmentasi
berbedayang FOS dalam
diekstrak
Chicken Egg kemudian mendeteksi
menggunakan menguji FOS
Fertility Shoffan mengidentifikasinya fertilitas telur
First Order (statistik orde
Identification using Saifullah , sebgai telur fertile ayam oleh BP
Statistical (FOS) pertama) dalam
1 FOS and BP- 2021 Jurnal Andiko Sinta 2 (embryo) dan Neural Network
dengan mengekstraksi
Neural Networks Putro infertile masih tergolong
menggunakan fitur telur
on Image Suryotomo 2. Metode FOS dan rendah, sehingga
Algortima berembrio
Processing BP-Neural Network perlu dilakukan
Pemebelajaran
menghasilkan akurasi perbaikan metode
Backpropagation
100% pada semua untuk mendapatkan
Neural Network.
data trainning dan hasil yang
80% pada data baru maksimal.
Parameter fitur
diimplementasikan
dalam metode BP
Neural Networks
perlu dikurangi atau
diubah atau
ditambah
 4. Kemungkinan
memerlukan
teknik ekstraksi
fitur tahap kedua

1. Metode Black
Propagation Neuron
menjadi metode yang
paling akurat dalam
Indentifikasi telur 1. jumlah iterasi
mendeteksi fertilitas
ayam subur dan minimal pada K
telur
tidak subur Means dan Black
2. Baik pada
Comparison of sebelum inkubasi Propagation untuk
algoritma Black
Egg Fertility Akurasi algoritma menggunakan mencapai akurasi
Propagation maupun
Identification Backpropagation ekstraksi fitur yang memadai pada
Shoffan K-Means, semakin
based on GLCM and K-means GLCM dan deteksi fertilitas
Saifullah, banyak iterasi
Feature Clustering untuk membandingkan telur
2 2019 Prosiding Vynska - semakin baik nilai
Extraction using identifikasi telur tingkat akurasi 2. Jumlah minimal
Amalia akurasi
Backpropagation ayam subur dan dua algoritma lapisan neuron pada
Permadi 3. Pada Black
and K-means tidak subur machine learning Balck Propagation
Propagation,
Clustering yaitu untuk mencapai
semakin banyak
Algorithms Backpropagation akurasi yang
lapisan neuron
dan K-means memadai pada
semakin tinggi
Clustering deteksi fertilitas
akurasi
telur
4. Terakhir,
semakin banyak
proses
 pembelajaran
menjadikan
semakin tinggi
tingkat akurasi

1. perlu
1. Pada dilakukannya
preprocessing penelitian serupa
gambar, interferensi pada produk
dari noise lingkungan agriculture lainnya
Mendeteksi retak perlu dihilangkan untuk meningkatkan
telur untuk mendapatkan performansi model
CHEN
menggunakan area pengamatan uji dan tingkat
Haoran; Akurasi algoritma
Egg Crack metode machine retak yang lebih baik kepraktisannya
HE SVM untuk
Detection Based vision dan SVM 2. Model Klasifikasi 2. Perlu solusi
3 2020 Prosiding Chuchu; - identifikasi dan
on Support Vector untuk mendukung dan Rekognisi terhadap masalah
JIANG klasifikasi telur
Machine bidang keamanan menggunakan SVM lingkungan
Minlan; LIU yang retak
pangan mampu mengenali pengambilan
Xiaoxiao
mana telur yang retak gambar telur yang
dan yang utuh ternyata berdampak
dengan akurasi pada parameter
98.75% parameter input
dari model uji
 1. ekstraksi fitur
bisa ditingkatkan
dengan metode
statistik tahap/orde
kedua atau
menggunakan
tekstur
2. Perlu
1. aplikasi dari
peningkatan
Akurasi metode FOS dan
kualitas pemrosesan
Klasifikasi SVM dapat
mengidentifikasi gambar untuk
fertilitas telur digunakan untuk
Identification of fertilitas telur meningkatkan
ayam mengidentifikasi
chicken egg Shoffan ayam dengan kualitas gambar
menggunakan fetilitas telur ayam
fertility using SVM Saifullah; menggunakan yang diperoleh dan
fitur ekstrasi 2. Metode FOS dan
4 classifier based on 2021 Jurnal Andiko Sinta 2 metode akan diproses oleh
first-order SVM dengan 5
first-order Putro pengklasifikasi model uji
statistical (FOS) parameter (mean,
statistical feature Suryotomo; support vector 3. Dalam hal
dan metode enthropy, variance,
extraction machine metode klasifikasi,
pembelajaran skewness, curtois)
(SVM) mungkin dicoba
support vector menghasilkan akurasi
teknik hasil
machine (SVM) adalah 84.57%
pengembangan
metode supervised
learning lainnya
untuk keperluan
pengujian fertilitas
telur
 Histogram
mempermudah
ANALISIS Equalization
proses proses
PERBANDINGAN mampu
pendeteksian mengidentifikasi
HE DAN CLAHE memberikan
gambar fertilitas telur infertil masih
PADA IMAGE gambaran yang
telur terlihat
ENHANCEMENT lebih jelas objek
Shoffan Telur fertile dan menggunakan banyak noise yang
5 DALAM PROSES 2020 Jurnal Sinta 2 yang ada
Saifullah invertile sistem disebabkan kurang
SEGMENASI pada telur fertil
komputerisasi jelasnya proses
CITRA UNTUK dibandingkan
secara otomatis penyinaran telur
DETEKSI Contrast Limited
menggunakan saat proses akuisisi
FERTILITAS Adaptive Histogram
metode image gambar
TELUR Equalizarion
enhancement
(CLAHE)
K-MEANS Perlu kombinasi
pemeriksaan
CLUSTERING dengan supervised
deteksi embrio
FOR EGG deteksi telur machine learning
pada hari-hari Hasil pendeteksian
EMBRYO'S embrio untuk mendapatkan
tertentu inkubator kesuburan telur
DETECTION menggunakan kebutuhan proses
[5]. Proses hanya
BASEDON Shoffan metode k-means pembelajaran pada
6 2021 Jurnal Sinta 2 tersebut bertujuan mampu mendeteksi
STATISTICAL Saifullah clustering data training dalam
untuk mengecek kesuburan telur
FEATURE berdasarkan rangka
keberhasilan awal dengan akurasi
EXTRACTION ekstraksi fitur meningkatkan
dari proses sekitar 74%
APPROACH OF statistik akurasi
penetasan telur
CANDLING
EGGS IMAGE
1. diharapkan
Teknik tradisional
Deteksi retakan menjadi dasar untuk
memerlukan
Bhavya yang akurat pada pengembangan
ekstraksi fitur
Botta, Sai deteksi retakan kulit telur sangat teknik inspeksi telur
Eggshell crack manual untuk
Swaroop kulit telur ini penting untuk secara online lewat
detection using klasifikasi,
Reddy *scopus menggunakan menyediakan video telur berputar
7 deep 2021 Jurnal sedangkan CNN
Gattam, Q1 jaringan saraf telur yang aman 2. diharapkan
convolutional secara otomatis
Ashis convolutional dan berkualitas menjadi dasar
neural networks mengekstraksi fitur
Kumar (CNN) kepada konsumen untuk menjadi
relevan yang
Datta dasar pada tknik
diperlukan untuk hal
yang sama
 inspeksi pada
berbagai jenis
telur

Kedepannya
perhatian yang lebih
banyak
perludiberikan
untuk membentuk
Hasil yang teknologi
menjanjikan dalam identifikasi telur ini
menemukan suatu
inspeksi fertilitas agar menjadi handal
teknologi prediksi
Adeyemi telur lebih terbukti yaitu pada
nondestruktif,
Non-Destructive O. dengan visi mesin, jumlah/ukuran
cepat dan online
Assessment of Adegbenjo, *scopus Telur fertile dan spektroskopi, dan sampel data
8 2020 Jurnal untuk membantu
Chicken Egg Li Liu and Q1 invertile pencitraan sebaiknya sebesar
identifikasi dini
Fertility Michael O. hiperspektral mungkin dan
masalah fertilitas
Ngadi dibandingkan berkualitas tinggi,
telur ayam
dengan teknik teknik pemodelan
nondestruktif dan permasalahan
lainnya terhadap data
dengan kasus
langka/unik yang
mungkin
didapatkan
KONTRIBUSI

Mendapatkan akurasi pada metode pembelajaran Naive Bayes dengan ekstraksi fitur GLCM
untuk mengklasifikasi kesuburan telur sebelum proses inkubasi.

MODEL PROJECT KLASIFIKASI TELUR

DATA FLOW DIAGRAM (DFD) PROJECT KLASIFIKASI TELUR
a. Level 0
b. Level 1

c. Level 2 Login
d. Level 2 Egg Identification

e. Level 2 Top Up
f. Level 2 Inkubasi
g. Level 2 Identifikasi
RANCANGAN DATABASE
 MOCK-UP USER INTERFACE c. Menu Tampilam Train Egg
PROJECT KLASIFIKASI
TELUR

a. Menu Tampilan Login

d. Menu Tampilan Train Egg

b. Menu Tampilan Home
e. Menu Tampilan Train Egg g. Menu Tampila Upload Data Egg

f. Menu Upload Data Egg h. Menu Tampilan Result Egg

i. Menu Tampilan Inkubator j. Menu Tampilan Inkubasi
Implementasi Project
Link google colab : https://colab.research.google.com/drive/1Dm3S4ZEGjsW7Cbn6-
GSGMJmi1WECPQTB?authuser=2#scrollTo=j9pJ-JeVG5-9
Screen Shoot source code implementasi