Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN Freshness Classification of Beef Using GLCM Texture Extraction Method and KNN
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Daging merupakan bagian lunak pada hewan yang terbungkus oleh kulit dan melekat pada tulang yang menjadi bahan makanan. Penelitian ini dilakukan untuk melakukan klasifikasi jenis daging sapi segar, inapan dan busuk dengan menggunakan 120 sampel daging sapi diambil langsung oleh peneliti. Sebelum mengklasifikasikan jenis daging sapi tersebut dilakukan ektraksi tekstur citra daging sapi dengan metode GLCM sehingga menghasilkan parameter tekstur berupa contrast, correlation, homogeneity dan energy. Parameter tekstur tersebut diklasifikasi menggunakan metode KNN. Hasil penelitian ini menunjukkan bahwa ekstraksi tekstur citra daging sapi menggunakan metode GLCM dapat meghasilkan nilai yang beragam pada 4 parameter tekstur GLCM tersebut. Hasil klasifikasi kesegaran daging sapi menggunakan metode KNN untuk menentukan dari 3 jenis kualitas daging yaitu daging sapi segar, inapan dan busuk diperoleh evaluasi performa klasifikasi menggunakan tabel Confusion Matrix dengan nilai Accuracy sebesar 0,82, Precision sebesar 0,83, Recall sebesar 0,82 dan F-Measure sebesar 0,82. Sehingga parameter tekstur citra daging sapi menggunakan metode GLCM dapat diklasifikasikan dengan baik menggunakan metode KNN.
Rincian Artikel
Bagian
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Cara Mengutip
Referensi
[2] L. Cahyono, “IDENTIFIKASI DAGING SAPI SEGAR DAN BEKU MENGGUNAKAN NEURAL NETWORK,†Universitas Mercu Buana Yogyakarta, 2019.
[3] F. Rosyad dan D. Lenono, “Klasifikasi kemurnian daging sapi berbasis electronic nose dengan metode principal component analysis,†IJEIS (Indonesian J. Electron. Instrum. Syst, vol. 6, no. 1, hal. 47, 2016.
[4] H. Yunita dan E. Setyati, “Hand Gesture Recognition Sebagai Pengganti Mouse Komputer Menggunakan Kamera,†J. ELTIKOM J. Tek. Elektro, Teknol. Inf. dan Komput., vol. 3, no. 2, hal. 64–76, 2019.
[5] B. O. Hua, M. A. Fu-Long, dan J. Li-Cheng, “Research on computation of GLCM of image texture,†Acta Electron. Sin., vol. 1, no. 1, hal. 155–158, 2006.
[6] D. Rahmawati, M. P. Putri, M. Ulum, K. Joni, dan others, “Identification and Classification of Pathogenic Bacteria Using the K-Nearest Neighbor Method,†JEEE-U (Journal Electr. Electron. Eng., vol. 5, no. 1, hal. 60–70, 2021.
[7] A. Budianto, R. Ariyuana, dan D. Maryono, “Perbandingan K-Nearest Neighbor (KNN) Dan Support Vector Machine (SVM) Dalam Pengenalan Karakter Plat Kendaraan Bermotor,†J. Ilm. Pendidik. Tek. dan Kejuru., vol. 11, no. 1, hal. 27–35, 2018.
[8] T. Wijaya, H. Ginardi, dan W. Khotimah, “Paduan Elemen Warna Sa* b* pada Analisa Urin Dipstick dari Citra Hasil Kamera Smartphone dengan Jaringan Backpropagation,†Lontar Komput. J. Ilm. Teknol. Inf., 2014.
[9] D. W. Wibowo, D. Erwanto, dan D. A. W. Kusumastutie, “Klasifikasi Jenis Kayu Menggunakan Esktrasi Fitur Gray Level Co-Occurence Matrix dan Multilayer Perceptron,†J. Nas. Tek. Elektro, vol. 10, no. 1, hal. 1–10, 2021.
[10] H. R. Fajrin, H. A. Nugroho, dan I. Soesanti, “Ekstraksi Ciri Berbasis Wavelet Dan Glcm Untuk Deteksi Dini Kanker Payudara Pada Citra Mammogram,†Pros. SNST Fak. Tek., vol. 1, no. 1, 2015.
[11] S. F. Kusuma, R. E. Pawening, dan R. Dijaya, “Otomatisasi klasifikasi kematangan buah mengkudu berdasarkan warna dan tekstur,†Regist. J. Ilm. Teknol. Sist. Inf., vol. 3, no. 1, hal. 17–23, 2017.
[12] T. Y. Prahudaya dan A. Harjoko, “Metode Klasifikasi Mutu Jambu Biji Menggunakan Knn Berdasarkan Fitur Warna Dan Tekstur,†J. Teknosains, vol. 6, no. 2, hal. 113–123, 2017.
[13] M. M. Baharuddin, H. Azis, dan T. Hasanuddin, “Analisis Performa Metode K-Nearest Neighbor untuk Identifikasi Jenis Kaca,†Ilk. J. Ilm., vol. 11, no. 3, hal. 269–274, 2019.
[14] E. Prasetyo, “Data mining mengolah data menjadi informasi menggunakan matlab,†2019.