BAB II

LANDASAN TEORI

2.1. Definisi Daging

Daging merupakan jaringan otot hewan yang tersusun atas air, lemak, protein,

karbohidrat, dan komponen anorganik. Otot terdiri atas kumpulan sel yang disebut dengan

serat. Setiap sel tersusun atas filamen protein yaitu aktin dan miosin. Sel-sel otot

merupakan sel yang paling terorganisir dalam tubuh hewan dan melakukan berbagai

fungsi mekanis antara lain untuk pergerakan anggota, penggerak, dan harus menjaga

keseimbangan. Gerakan dan metabolisme otot terkait dengan fungsi yang beragam,

meliputi menjaga suhu tubuh, membantu pergerakan darah dan getah bening. Semua

fungsi tersebut tergantung pada metabolisme dan kemampuan sel untuk menjaga pasokan

energi. Metabolisme otot merupakan salah satu kunci untuk pemeliharaan fungsi otot, baik

selama kontraksi, postmortem awal dan akhir yang akan berpengaruh dalam pengolahan

daging selanjutnya. Daging tersusun atas air sebesar 75%, protein 18,5%, lemak 3%,

karbohidrat 1%, nitrogen non protein sebesar 1,7%, vitamin dan mineral sebesar 0,85%.

(Thohari et al., 2017).

2.2. Kandungan Gizi Daging

Daging adalah sumber protein yang sangat baik. Protein yang terkandung di

dalamnya memiliki asam amino esensial. Secara umum, daging memiliki kandungan zat

gizi penting. Protein sebagai komponen solid terbesar di dalamnya sehingga makanan ini

diandalkan sebagai bahan sumber protein. Protein yang dikandung oleh daging

merupakan protein yang sempurna karena menyuplai semua asam amino esensial yang

dibutuhkan oleh tubuh dan mudah dicerna.

5
 6

Kandungan vitamin daging merah merupakan sumber vitamin B kompleks yang

sangat baik, terutama tiamin, riboflavin, niasin, vitamin B6, vitamin B12, dan folacin.

Zat-zat ini sangat diperlukan sebagai pembentuk ketahanan tubuh, peningkat stamina,

metabolisme sel, menjaga sistem saraf yang sehat, produksi sel darah merah dalam

tubuh, dan mengoptimalkan fungsi organ-organ tubuh, serta menjamin metabolisme

berjalan dengan lancar.

Daging merah juga dianggap sebagai sumber untuk semua mineral, kecuali kalsium.

Zat besi dan seng dalam daging merah lebih mudah diserap dibanding sumber hewani

lain. Penderita anemia dan tekanan darah rendah dianjurkan untuk makan daging sapi,

kambing, atau unta. (Subakti dan Anggraini, 2012)

2.3. Perbedaan Daging Babi dan Daging Sapi

Menurut Tim Dapur Esensi (2012), daging sapi memiliki manfaat yang baik bagi

tubuh manusia jika daging sapi diolah dengan baik dan sehat. Daging sapi mempunyai

kandungan gizi yang tinggi juga memiliki rasa yang enak. Daging sapi bergizi tinggi,

bermanfaat bagi tubuh manusia dan mempunyai rasa enak hanya diperoleh dari daging

yang baik dan sehat. Kandungan gizi pada daging sapi terdapat kandungan protein yang

tinggi.

Gambar 2.1 Daging Sapi

 7

Tanda-tanda daging sapi yang baik dan sehat:

1. Ada cap Rumah Potong Hewan (RPH) yang menunjukkan bahwa daging sapi

berasal dari sapi yang sehat, layak potong, dan disembelih dengan cara yang benar.

2. Daging berwarna alamiah, yaitu berwarna merah muda.

3. Berbau khas daging sapi.

4. Teksturnya kenyal dan padat.

5. Daging berserat halus dan sedikit berlemak.

6. Lemak berwarna kekuningan.

Gambar 2.2 Daging Babi

Meski di negara Muslim daging ini dilarang, tapi di banyak negara daging babi

sangat populer. Kelebihannya: daging babi sangat kaya vitamin B6, B12, tiamin, niasin,

riboflavin dan pantothenic acid; daging babi merupakan sumber zat besi yang mudah

diserap tubuh daripada zat besi dari sumber daging lainnya; daging babi juga memiliki

kandungan mineral yang tinggi fosfor, selenium, natrium, seng, kalium dan tembaga;

dagingnya juga baik untuk kulit, mata, sistem saraf, tulang dan performa mental.

Kekurangannya: tinggi dalam kandungan lemak jenuh. Untuk mengurangi lemaknya,

bersihkan daging dari semua lemaknya. Kekurangan lainnya, daging babi juga tinggi
 8

natrium sehingga tidak disarankan untuk orang dengan tekanan darah tinggi (hipertensi).

(Kompas.com, 2011).

2.4. Citra Digital

Citra adalah fotografi gambar atau bentuk representasi dua dimensi (2D) objek atau

pemandangan. Informasi dalam gambar disajikan dalam nada atau warna. Citra digital

adalah array dua dimensi. Setiap sel dari citra digital disebut pixel, dan nomor yang

mewakili kecerahan piksel disebut nomor digital (DN). Sebagai array 2D, gambar digital

terdiri dari data dalam garis dan kolom. Posisi pixel dialokasikan dengan garis dan kolom

DN-nya. Data teratur seperti itu, tanpa koordinat x dan y, biasanya disebut data raster.

Karena gambar digital tidak lebih dari kumpulan data, operasi matematis dapat dilakukan

dengan radikal pada jumlah gambar digital. Operasi matematika pada gambar digital

disebut pengolahan citra digital. (Liu and Mason, 2016).

Secara matematis, sebuah citra dapat didefinisikan sebagai fungsi dua dimensi f(x,

y), dimana x dan y adalah koordinat spasial (plane) dan f adalah nilai intensitas warna

pada koordinat x dan y. Nilai f, x dan y semuanya adalah nilai berhingga. Bila nilai-nilai ini

bersifat kontinu maka citranya disebut citra analog, seperti yang ditampilkan pada layar

monitor TV, komputer, atau foto cetak. Bila nilai-nilai ini bersifat diskrit maka citranya

disebut citra digital, seperti yang tersimpan dalam memori komputer dan CD-ROM. Citra

digital umumnya dua dimensi (2D) yang dinyatakan dalam bentuk matriks dengan jumlah

elemen berhingga. Setiap elemen matriks citra memiliki posisi koordinat x dan y tertentu

dan juga memiliki nilai. Secara umum citra digital merupakan representasi piksel-piksel

dalam ruang 2D yang dinyatakan dalam matriks berukuran N baris dan M kolom.

(Madenda, 2015).
 9

2.5. Pengolahan Citra Digital (Image Processing)

Secara umum, istilah pengolahan citra digital menyatakan “pemrosesan gambar

berdimensi-dua melalui komputer digital” (Jain, 1989). Menurut Effort (2000), pengolahan

citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi

dan memodifikasi citra dengan berbagai cara. Foto adalah contoh gambar berdimensi dua

yang bisa diolah dengan mudah. Setiap foto dalam bentuk citra digital (misalnya berasal

dari kamera digital) dapat diolah melalui perangkat-lunak tertentu. Sebagai contoh, apabila

hasil bidikan kamera terlihat agak gelap, citra dapat diolah agar menjadi lebih terang.

Dimungkinkan pula untuk memisahkan foto orang dari latar belakangnya. Gambaran

tersebut menunjukkan hal sederhana yang dapat dilakukan melalui pengolahan citra

digital. Tentu saja, banyak hal lain yang lebih pelik yang dapat dilakukan melalui

pengolahan citra digital. (Kadir & Susanto, 2013)

Gambar 2.3. Penggunaan efek gambar pada Microsoft word 2010

2.6. Ekstraksi Fitur

Ekstraksi fitur merupakan proses pengindeksan suatu database citra dengan isinya.

Secara matematik, setiap ekstraksi fitur merupakan encode dari vektor n dimensi yang

disebut dengan vektor fitur. Komponen vektor fitur dihitung dengan proses citra dan teknik

analisis serta digunakan untuk membandingkan citra yang satu dengan citra yang lain.
 10

Ekstraksi fitur diklasifikasikan kedalam 3 jenis yaitu low level, middle level dan high level.

Fitur low level merupakan ekstraksi fitur berdasarkan isi visual seperti warna dan tekstur,

fitur middle level merupakan ekstraksi fitur berdasarkan wilayah citra yang ditentukan

dengan segmentasi, sedangkan fitur high level merupakan ekstraksi fitur berdasarkan

informasi semantik yang terkandung dalam citra. (J.R Parker, 2011)

Pemisahan ciri (feature extraction) merupakan bagian fundamental dari analisis

citra. Fitur adalah karakteristik unik dari suatu objek. Karakteristik fitur yang baik sebisa

mungkin memenuhi persyaratan berikut (Putra, 2010):

1. Dapat membedakan suatu objek dengan yang lainnya (discrimination).

2. Memperhatikan kompleksitas komputasi dalam memperoleh fitur. Kompleksitas

komputasi yang tinggi tentu akan menjadi beban tersendiri dalam menemukan suatu

fitur.

3. Tidak terikat (independence) dalam arti bersifat invariant terhadap berbagai

transformasi (rotasi, penskalaan, pergeseran, dan lain sebagainya).

4. Jumlahnya sedikit, karena fitur yang jumlahnya sedikit akan dapat menghemat

waktu komputasi dan ruang penyimpanan untuk proses selanjutnya (proses

pemanfaatan fitur).

Fitur-fitur suatu objek mempunyai peran penting untuk berbagai aplikasi berikut :

a. Pencarian citra: Fitur dipakai untuk mencari objek-objek tertentu yang berada di

dalam database.

b. Penyederhanaan dan hampiran bentuk: Bentuk objek dapat dinyatakan dengan

representasi yang lebih ringkas.

c. Pengenalan dan klasifikasi: Sejumlah fitur dipakai untuk menentukan jenis objek
 11

2.7. Ruang Warna RGB

Menurut Abdul Kadir dan Adhi Susanto (2013) ruang RGB biasanya diterapkan pada

monitor CRT dan kebanyakan sistem grafika komputer. Ruang warna ini menggunakan

tiga komponen dasar yaitu merah (R), hijau (G), biru (B). Setiap pixel dibentuk oleh tiga

komponen tersebut. Model RGB biasanya disajikan dalam bentuk kubus tiga dimensi,

dengan warna merah, hijau, dan biru berada di pojok sumbu. Warna hitam berada di titik

asal dan warna putih berada di ujung kubus yang berseberangan. Kubus warna secara

nyata dengan resolusi 24 bit. Perlu diketahui dengan menggunakan 24 bit. Jumlah warna

mencapai 16.777.216.

RGB biasanya digunakan karena kemudahan dalam perancangan hardware tapi

sebenarnya tidak ideal untuk beberapa aplikasi. Mengingat warna merah, hijau, dan biru

sesungguhnya berkorelasi sangat erat. Sangat sulit untuk beberapa algoritma pemrosesan

citra (Crane, 1997). Sebagai contoh, kebutuhan untuk memperoleh warna alamiah seperti

merah dengan menggunakan RGB menjadi sangat kompleks mengingat komponen R

dapat berpasangan dengan G dan B, dengan nilai berapa saja. Hal ini menjadi mudah jika

menggunakan ruang warna HLS ataupun HSV.

Gambar 2. 4 Skema Ruang Warna RGB dalam Bentuk Kubus

 12

Gambar 2. 5 Kubus Warna dengan 24 bit

RGB biasanya digunakan karena kemudahan dalam perancangan hardware tapi

sebenarnya tidak ideal untuk beberapa aplikasi. Mengingat warna merah, hijau, dan biru

sesungguhnya berkorelasi sangat erat. Sangat sulit untuk beberapa algoritma pemrosesan

citra (Crane, 1997). Sebagai contoh, kebutuhan untuk memperoleh warna alamiah seperti

merah dengan menggunakan RGB menjadi sangat kompleks mengingat komponen R

dapat berpasangan dengan G dan B, dengan nilai berapa saja. Hal ini menjadi mudah jika

menggunakan ruang warna HLS ataupun HSV.

2.8. Warna HSV

Menurut Kadir dan Susanto (2013) HSV merupakan contoh ruang warna yang

merepresentasikan warna seperti yang dilihat oleh mata manusia. H berasal dari kata

“hue”, S berasal dari kata “saturation”, dan V berasal dari kata “value”. Ruang warna HSV

terkadang dinamakan HSB, dengan B berasal dari kata “brightness”.

Gambar 2.6 Ruang Warna HSV

 13

Model HSV, yang pertama kali diperkenalkan pada A. R. Smith pada tahun 1978,

ditunjukkan di gambar dibawah ini. Untuk mendapatkan nilai HSV berdasarkan RGB

terdapat beberapa cara

Cara tersederhana adalah sebagai berikut:

2.9. Tekstur

Menurut Kadir dan Susanto (2013), Selain melibatkan fitur bentuk, tekstur banyak

digunakan sebagai fitur untuk temu kembali citra. Hal ini disebabkan beberapa objek

mempunyai pola-pola tertentu, yang bagi manusia mudah untuk dibedakan. Oleh karena

itu, diharapkan komputer juga dapat mengenali sifat- sifat seperti itu. Dalam praktik, tekstur

digunakan untuk berbagai kepentingan.

Umumnya, aplikasi tekstur dapat dibagi menjadi dua kategori. Pertama adalah untuk

kepentingan segmentasi. Pada proses ini, tekstur dipakai untuk melakukan pemisahan

antara satu objek dengan objek yang lain. Kedua adalah untuk klasifikasi tekstur, yang

menggunakan fitur-fitur tekstur untuk mengklasifikasi objek. Beberapa contoh aplikasi

tekstur disajikan di bawah ini (Tuceryan dan Jain, 1998).

 14

1. Inspeksi secara otomatis pada industri tekstil, pengecatan mobil, pemakaian karpet.

2. Analisis citra medis. Misalnya, tekstur digunakan untuk klasifikasi penyakit

paru-paru, diagnosis leukemia, dan perbedaan tipe-tipe sel darah putih.

3. Analisis penginderaan jarak-jauh. Misalnya, tekstur dipakai untuk kepentingan

klasifikasi area tanah.

Kulkarni (1994) mendefinisikan tekstur sebagai hubungan mutual antara nilai

intensitas piksel-piksel yang bertetangga yang berulang di suatu area yang lebih luas

daripada jarak hubungan tersebut. Namun, penjelasan seperti itu pun masih menyisakan

ketidakmudahan untuk mengenali pengulangan yang terjadi pada citra. Ada suatu

pengulangan yang terkadang sulit dijabarkan, tetapi mudah ditangkap oleh mata, seperti

yang terdapat pada Gambar 2.8 (a) dan Gambar 2.8 (b). Hal ini berbeda dengan Gambar

2.8 (c). Citra yang disebut terakhir mempunyai sifat pengulangan yang mudah dilihat.

Namun, pada ketiga gambar tersebut, jelas bahwa ada suatu tekstur yang terkandung

dalam setiap citra. Tekstur pada Gambar 2.8(c), dari sisi keteraturan pola, adalah yang

paling mudah untuk dikenali. (Kadir dan Susanto, 2013)

(a) halus (b) kasar (c) teratur

Gambar 2.7 Berbagai citra yang memiliki sifat tekstur yang berbeda-beda
 15

2.10. Local Binary Pattern

Menurut (Pietikainen, Matti et al. 2011) dalam bukunya menjelaskan bahwa Local

Binary Pattern adalah operator tekstur sederhana namun sangat efisien yang memberi

label pada piksel gambar dengan mengukur lingkungan masing-masing piksel dan

menganggap hasilnya sebagai bilangan biner. Metode LBP dapat dilihat sebagai

pendekatan pemersatu terhadap model analisis tekstur dan struktur yang berbeda secara

tradisional. Mungkin properti terpenting operator LBP dalam aplikasi dunia nyata adalah

invariannya karena perubahan tingkat abu-abu monotonik yang disebabkan, misal, oleh

variasi iluminasi. Hal lain yang sama pentingnya adalah kesederhanaan komputasi, yang

memungkinkan untuk menganalisis gambar dalam menentang pengaturan real time.

Operator pola biner lokal asli, yang diperkenalkan oleh Ojala dkk, didasarkan pada

asumsi bahwa tekstur memiliki dua aspek pelengkap lokal, dan merupakan kekuatannya.

Operator bekerja di lingkungan 3 x 3, menggunakan nilai pusat sebagai ambang batas.

Kode LBP diproduksi dengan mengalikan nilai ambang batas dengan bobot yang diberikan

oleh piksel yang sesuai, dan menjumlahkan hasilnya. Karena lingkungannya terdiri dari 8

piksel, total 28 = 256 label yang berbeda dapat diperoleh tergantung pada nilai abu-abu

relatif dari pusat dan piksel di lingkungan sekitar. Ukuran kontras (C) diperoleh dengan

mengurangkan rata-rata tingkat abu-abu di bawah piksel tengah dari tingkat abu-abu di

atas (atau sama dengan) piksel tengah. Jika semua delapan tetangga dari piksel tengah

memiliki nilai yang sama (0 atau 1), nilai kontras diatur ke nol. Distribusi memiliki nilai yang

sama (0 atau 1), nilai kontras diatur ke nol. Distribusi kode LBP atau distribusi dua dimensi

LBP dan kontras lokal (LBP / C), digunakan sebagai fitur dalam klasifikasi atau

segmentasi. Lihat gambar 2.9 untuk ilustrasi operator LBP dasar.

 16

Gambar 2.8 Ilustrasi Operator LBP Dasar

Karena daya diskriminatifnya merupakan kesederhanaan komputasi, operator

tekstur LBP telah menjadi pendekatan yang sangat populer dalam berbagai aplikasi.

Keberhasilan besar LBP dalam berbagai masalah analisis tekstur telah menunjukkan

bahwa bank filter dengan area pendukung besar tidak diperlukan untuk kinerja tinggi

dalam klasifikasi tekstur, namun operator yang didefinisikan untuk lingkungan kecil seperti

LBP biasanya memadai.

P adalah jumlah banyak tetangga, R adalah radius antara titik pusat dan titik

tetangga, LBPPR adalah nilai desimal hasil konversi nilai biner. Ic adalah nilai intensitas

piksel pusat, IPR adalah nilai intensitas piksel tetangga ke-p (p=0,1, …, P-1) dengan

radius R. sedangkan s(x) adalah fungsi thresholding.

Eksploitasi informasi tekstur secara tepat dapat meningkatkan kinerja dan

keandalan banyak tugas dan sistem visi komputer, membantu membuat teknologi menjadi

sangat kuat dan mudah digunakan dalam aplikasi dunia nyata. (Pietikäinen, Matti et al.,

2011)

2.11. Klasifikasi

Menurut Prasetyo (2012), klasifikasi merupakan suatu pekerjaan menilai objek data

untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam

klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu (1) pembangunan model

sebagai prototipe untuk disimpan sebagai memori dan (2) penggunaan model tersebut
 17

untuk melakukan pengenalan/ klasifikasi/ prediksi pada suatu objek data lain agar

diketahui di kelas mana objek data tersebut dalam model yang sudah disimpannya.

Kerangka kerja seperti yang ditunjukkan pada gambar 2.10 meliputi dua langkah proses,

yaitu induksi dan deduksi. Induksi merupakan langkah untuk membangun model klasifikasi

dari data latih yang diberikan, disebut juga proses pelatihan, sedangkan deduksi

merupakan langkah untuk menerapkan model tersebut pada data uji sehingga kelas yang

sesungguhnya dari data uji dapat diketahui, disebut juga proses prediksi.

Gambar 2.9 Proses Pekerjaan Klasifikasi

Berdasarkan cara pelatihan, algoritma-algoritma klasifikasi dapat dibagi menjadi

dua macam, yaitu eager learner dan lazy learner. Algoritma- algoritma yang termasuk

dalam kategori eager learner didesain untuk melakukan pembacaan/ pelatihan/

pembelajaran pada data latih agar dapat memetakan dengan benar setiap vektor

masukan ke label kelas keluarannya sehingga di akhir proses pelatihan, model sudah

dapat memetakan semua vektor data uji ke label kelas keluarannya dengan benar.

Selanjutnya, setelah proses pelatihan tersebut selesai, model (biasanya berupa bobot

atau sejumlah nilai kuantitas tertentu) disimpan sebagai memori, sedangkan semua

data latihnya dibuang. Proses prediksi dilakukan dengan model yang tersimpan, tidak
 18

melibatkan data latih sama sekali. Cara ini mengakibatkan proses prediksi berjalan

dengan cepat, tetapi harus dibayar dengan proses pelatihan yang lama.

Algoritma-algoritma klasifikasi yang masuk kategori ini, diantaranya, adalah Artificial

Neural Network (ANN), Support Vector Machine (SVM), Decision Tree, Bayesian, dan

sebagainya. (Prasetyo, 2012). Sementara algoritma-algoritma yang masuk dalam

kategori lazy learner hanya sedikit melakukan pelatihan (atau tidak sama sekali), hanya

menyimpan sebagian atau seluruh data latih, kemudian menggunakannya dalam

proses prediksi. Hal ini mengakibatkan proses prediksi menjadi lama karena model

harus membaca kembali semua data latihnya agar dapat memberikan keluaran label

kelas dengan benar pada data uji yang diberikan. Kelebihan algoritma seperti ini

adalah proses pelatihan yang berjalan dengan cepat. Algoritma-algoritma klasifikasi

yang masuk kategori ini, di antaranya, adalah K-Nearest Neighbor (K-NN), Fuzzy

K-Nearest Neighbor (KNN), Regresi Linear, dan sebagainya. (Prasetyo, 2012).

2.12. Support Vector Machine (SVM)

Menurut Widodo, et al. (2013), Support Vector Machine (SVM) merupakan

metode klasifikasi jenis terpandu (supervised) karena ketika proses pelatihan,

diperlukan target pembelajaran tertentu. SVM muncul pertama kali pada tahun 1992

oleh Vladimir Vapnik bersama rekannya Bernhard Boser dan Isabelle Guyon.

Gambar 2. 9 (a) Decision Boundary yang Mungkin (b) Decision Boundary

 19

Konsep klasifikasi dengan SVM dapat dijelaskan secara sederhana sebagai

usaha untuk mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah

kelas data pada ruang input. Hyperplane (batas keputusan) pemisah terbaik antara

kedua kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan

mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan

data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support

vector. Garis solid pada gambar 2.11 (b) sebelah kanan menunjukkan hyperplane

yang terbaik yaitu yang terletak tepat pada tengah-tengah kedua kelas, sedangkan

data lingkaran dan bujur sangkar yang dilewati garis batas margin (garis

putus-putus) adalah support vector. Usaha untuk mencari lokasi hyperplane ini

merupakan inti dari proses pelatihan pada SVM. (Prasetyo, 2012).

2.13. Matlab

Matlab merupakan bahasa pemrograman yang hadir dengan fungsi dan

karakteristik yang berbeda dengan bahasa pemrograman lain yang sudah ada lebih

dahulu seperti DELPHI, BASIC, maupun C++. Matlab merupakan bahasa

pemrograman level tinggi yang dikhususkan untuk kebutuhan komputasi, teknis,

visualisasi dan pemrograman seperti komputasi matematik, analisis data,

pengembangan algoritma, simulasi dan pemodelan dan grafik-grafik perhitungan.

Matlab hadir dengan membawa warna yang berbeda. Hal ini karena matlab membawa

keistimewaan dalam fungsi-fungsi matematika, fisika, statistik, dan visualisasi. Matlab

dikembangkan oleh mathworks, yang pada awalnya dibuat untuk memberikan

kemudahan mengakses data matrik pada proyek LINPACK dan EISPACK.

Pengembangan MATLAB untuk pertama kali dilakukan oleh Universitas New Mexico
 20

dan Universitas Stanford pada tahun 1970. Saat ini MATLAB memiliki ratusan fungsi

yang dapat digunakan sebagai problem solver mulai dari sederhana sampai

masalah-masalah yang kompleks dari berbagai disiplin ilmu. (Siregar dan Sani, 2017).

MATLAB adalah perangkat lunak (software) interaktif yang powerful,

komprehensif, dan user friendly yang telah menjadi standar industri untuk

menyelesaikan berbagai permasalahan dalam berbagai bidang, misalnya sains,

rekayasa, ekonomi, pendidikan, dan sebagainya. Salah satu keuntungan

menggunakan MATLAB adalah dari segi kemudahan membuat program, dibandingkan

dengan pemrograman menggunakan bahasa lain seperti Basic, C++, Pascal, atau

FORTRAN. Keunggulan lain dari MATLAB dibandingkan bahasa komputasi lain adalah

tersedianya fasilitas grafik, fungsi built-in, dan toolbox yang sangat banyak. MATLAB

bersifat extensible, yakni memungkinkan bagi seorang pengguna untuk menulis fungsi

baru yang dapat ditambahkan pada library ketika fungsi-fungsi yang tersedia (built-in)

tidak dapat melakukan tugas tertentu yang dibutuhkan. MATLAB adalah singkatan dari

Matrix Laboratory, software yang dibuat dengan menggunakan bahasa ini dibuat oleh

The Mathworks.inc dan telah memasuki versi 7.04 kekuatan MATLAB terletak pada:

1. Kemudahan manipulasi struktur matriks

2. Jumlah routine-routine powerful yang berlimpah yang terus berkembang
3. Kekuatan fasilitas grafik tiga dimensi yang sangat memadai
4. Sistem scripting yang memberikan keleluasaan bagi pengguna untuk
mengembangkan dan memodifikasi software untuk kebutuhan sendiri
5. Kemampuan interface (misal dengan bahasa C, word dan mathematics)
6. Dilengkapi dengan toolbox, simulink, stateflow dan sebagainya, serta mulai
melimpahnya source code di internet yang dibuat dalam MATLAB (contoh
toolbox, misalnya: signal processing, optimization, control system, image
processing, statistic, neural network design, dan sebagainya).
 21

Semua itu merupakan perangkat yang powerful untuk menyelesaikan

permasalahan sains dan teknik terutama untuk wilayah dimana komputasi
numerik harus dilakukan.

2.14. Metode Pengumpulan Data

Observasi atau pengamatan adalah suatu teknik atau cara untuk mengumpulkan

data dengan jalan mengamati kegiatan yang sedang berlangsung. Pengamatan dapat

dilakukan dengan partisipasi maupun non partisipasi. Dalam pengamatan partisipasi

(participation observation) pengamat ikut serta dalam kegiatan yang sedang berlangsung.

Pengamat ikut serta sebagai peserta rapat atau peserta pelatihan. Sementara dalam

pengamatan non partisipasi (non partisipatif observation) pengamat tidak ikut serta dalam

kegiatan. Pengamat hanya berperan mengamati kegiatan (Sudaryono, 2015).Studi

pustaka merupakan langkah awal dalam metode pengumpulan data. Studi pustaka

merupakan metode pengumpulan data yang diarahkan kepada pencarian data dan

informasi melalui dokumen-dokumen, baik dokumen tertulis, foto-foto, gambar, maupun

dokumen elektronik yang dapat mendukung dalam proses penelitian (Sugiyono, 2013).

2.15. Metode Simulasi

Simulasi komputer meniru pengoperasian sistem dan proses internal, biasanya dari

waktu ke waktu, dan secara rinci tepat untuk menarik kesimpulan tentang perilaku sistem.

Model simulasi yang dibuat menggunakan perangkat lunak yang dirancang untuk mewakili

komponen sistem umum, dan mencatat bagaimana mereka berperilaku dari waktu ke

waktu. Model simulasi digunakan untuk berbagai keperluan seperti dalam desain sistem,

dalam pengembangan kebijakan sistem operasi, dan dalam penelitian untuk

mengembangkan pemahaman sistem. Para pengguna model ini, para pembuat keputusan

menggunakan informasi yang diperoleh dari hasil model ini, dan individu yang terkena
 22

keputusan berdasarkan model ini semua benar peduli dengan apakah model dan hasilnya

adalah 'benar' untuk penggunaannya (Sargent, 2013).

Penulis melakukan studi literatur sejenis untuk mengetahui kelebihan serta

kekurangan terhadap penelitian sebelumnya guna dijadikan referensi pada penelitian ini.

Berikut ini adalah perbandingan penelitian literatur sejenis dilihat dari beberapa aspek:

Tabel 2.1 Studi Literatur Sejenis

Literatur Referensi 1 Referensi 2 Referensi 3

Judul, Tahun, Identifikasi Nilai Implementasi Support Vector

dan Instansi Nominal Uang Pengolahan Citra dan Machine Untuk
Kertas Dengan Klasifikasi K- Nearest Klasifikasi Citra Jenis
Metode Local Neighbor Untuk Daging Berdasarkan
Binary Pattern, Membangun Aplikasi Tekstur Menggunakan
2017,Universitas Pembeda Daging Sapi Ekstraksi Ciri Gray
Sanata Dharma dan Babi, 2015, UIN Lev Co- Occurrence
Sultan Syarif Kasim Matrices (GLCM),
Riau 2016, universitas
Diponegoro

Metode Ekstraksi tekstur Ekstraksi tekstur Ekstraksi tekstur

menggunakan dengan GLCM, dengan GLCM,
Local Binary ekstraksi warna klasifikasi dengan
Pattern dan dengan HSV, klasifikasi Support Vector
klasifikasi dengan dengan K-Nearest Machine
K-Nearest Neighbor (KNN)
Neighbor (KNN)

Nilai Pembeda Menggunakan Menggunakan Menggunakan

ekstraksi warna ekstraksi tekstur LBP ekstraksi warna HSV
HSV dan dan klasifikasi dengan dan ekstraksi tekstur
 23

klasifikasi SVM SVM LBP

Lingkup Sistem Desktop, matlab Website, bahasa Desktop, matlab

pemrograman PHP

Kelebihan Mengidentifikasi Berbasis web sehingga Akurasi mencapai

dengan akurasi bisa digunakan oleh 87,5%
siapa saja, dan akurasi
mencapai 88,57% sampai
dengan 88,75%

Kekurangan Kualitas untuk Tidak dijelaskan secara Tidak dijelaskan

pengambilan citra rinci perhitungan untuk secara rinci mengenai
yang digunakan ekstraksi warna HSV, klasifikasi SVM.
masih kurang. dan ekstraksi tekstur
Waktu komputasi GLCM
menggunakan
KNN terlalu lama

Berdasarkan penelitian di atas, terdapat beberapa hal yang dapat dikembangkan

untuk penulisan skripsi ini, antara lain:

1. Penggunaan metode lain pada proses ekstraksi ciri dengan menggunakan

penggabungan dua metode ekstraksi ciri yaitu, ekstraksi ciri warna dengan HSV,
dan ekstraksi ciri tekstur menggunakan Local Binary Pattern, serta klasifikasi
menggunakan Support Vector Machine.
2. Dapat membedakan 3 jenis daging, yaitu daging sapi, daging babi, dan daging
celeng.
 BAB III

METODOLOGI PENELITIAN

3.1. Metode Pengumpulan Data

Pengumpulan data bertujuan mencari dan mengumpulkan data yang berhubungan

dengan penelitian seperti dasar teori, metodologi penelitian, metodologi proses, dan acuan

penelitian sejenis. Dalam penelitian ini, metode pengumpulan data menggunakan

observasi dan studi pustaka.

3.2. Metode Simulasi

Metode simulasi yang penulis gunakan dalam identifikasi perbedaan daging sapi

dengan daging babi berdasarkan ciri tekstur dan warna menggunakan metode SVM

(Support Vector Machine) adalah simulasi komputer. Berikut merupakan tahapan dari

simulasi komputer.

3.3. Kerangka Pemikiran Penelitian

Kerangka pemikiran menjelaskan tahap demi tahap yang dilakukan dalam

penelitian. Berikut merupakan kerangka penelitian yang penulis gunakan:

Gambar 3. 1 Kerangka Pemikiran Penelitian

24
 25

3.1 Perangkat Penelitian

Dalam penelitian ini penulis menggunakan perangkat keras (hardware) dan
perangkat lunak (software) sebagai berikut:
1. Perangkat keras (hardware):
Table 3.1 Perangkat Keras (Hardware)

No Perangkat Keras Spesifikasi

1. Device Laptop ASUS X453MA

2. Processor 2 Core @2.16 GHz

14 inch
3. Monitor

4. VGA R5 2GB

5. Memori (RAM) 2.00 GB

6. Keyboard dan Mouse Standar

7. Speaker Standar

2. Perangkat lunak (Software):

Tabel 3.2 Perangkat Lunak (Software)

No Perangkat Lunak Spesifikasi

1. Sistem Operas Windows 10 Professional 64-bit

2. Tools Matlab R2015a

3. Bahasa Pemrograman Matlab