DETEKSI TAHU AMAN KONSUMSI DENGAN CITRA DIGITAL OBJEK MENGGUNAKAN METODE K-NEAREST NEIGHBOR

(1)

DETEKSI TAHU AMAN KONSUMSI DENGAN CITRA DIGITAL OBJEK MENGGUNAKAN

METODE K-NEAREST NEIGHBOR

Isnanto Nugroho1)_{, Luay Nabila El Suffa}2)_{, Erliana Dewi}3)

1,3 _{Sistem Komputer,}2 _{Teknik Informatika Institut Sains & Teknologi AKPRIND}

Jl. Kalisahak No. 28, Balapan, Yogyakarta

e-mail : 1 _{[email protected],} 2 _{[email protected],} 3 _{[email protected]}

ABSTRACT

In Indonesia, tofu has two color variants, white tofu and yellow tofu. White tofu is the result of processed soybeans without coloring mixture while yellow tofu is the result of processed soybeans added with coloring, usually turmeric is used as a natural dye from yellow tofu. Nowadays a lot of cheating is done by tofu producers such as using textile dyes as a substitute for food coloring, where textile dyes have a bad impact on health if consumed continuously. Therefore, further research is needed regarding tofu coloring. This study aims to identify the safe consumption of tofu, namely tofu with natural dyes and tofu that is unsafe consumption, namely yellow tofu given synthetic dyes using textile dyes. Identification using tofu features such as contrast, energy, correlation, and homogenity to get the GLCM value, then the value is analyzed using the K-Nearest Neighbor (K-NN) method. The research begins with the stage of taking object images from know. The next step is doing image analysis. The final stage of this analysis is to draw conclusions to distinguish safe tofu consumption and know unsafe consumption. Previously conducted training of 42 tofu data to get knowledge base by using order feature feature extraction, then performed tests on 11 random data tofu images. The test results with the K-Nearest Neighbor method with k = 7 obtained an accuracy of 90.91%.

Keywords : Food Coloring, K-NN Methode, Tofu

INTISARI

Di Indonesia, tahu mempunyai dua varian warna yaitu tahu putih dan tahu kuning. Tahu berwarna putih merupakan hasil olahan kedelai tanpa campuran pewarna sedangkan tahu berwarna kuning merupakan hasil olahan kedelai yang ditambahkan pewarna, biasanya kunyit dijadikan sebagai pewarna alami dari tahu kuning. Saat ini banyak kecurangan yang dilakukan oleh produsen tahu seperti menggunakan pewarna tekstil sebagai substitusi pewarna makanan, dimana pewarna tekstil memiliki dampak yang buruk untuk kesehatan jika dikonsumsi secara terus menerus. Oleh karena itu, perlu dilakukan penelitian lebih lanjut mengenai pewarna tahu. Penelitian ini bertujuan untuk mengidentifikasi tahu yang aman konsumsi yaitu tahu dengan pewarna alami dan tahu yang tidak aman konsumsi yaitu tahu kuning yang diberi pewarna sintetis menggunakan pewarna tekstil. Identifikasi memanfaatkan fitur tahu seperti contrast, energy, correlation, dan homogenity untuk mendapatkan nilai GLCM, kemudian nilai tersebut dianalisis menggunakan metode K-Nearest Neighbor (K-NN). Penelitian dimulai dengan tahap pengambilan citra objek dari tahu. Tahap selanjutnya melakukan analisis citra. Tahap akhir dari analisis ini adalah pengambilan kesimpulan untuk membedakan tahu aman konsumsi dan tahu tidak aman konsumsi.. Sebelumnya dilakukan training terhadap 42 data tahu untuk mendapatkan basis pengetahuan dengan menggunakan ekstraksi ciri fitur orde 1, kemudian dilakukan pengujian terhadap 11 data acak citra tahu. Hasil pengujian dengan metode K-Nearest Neighbor dengan K=7 didapatkan akurasi sebesar 90.91%.

Kata kunci : Metode K-NN, Pewarna Makanan, Tahu

1. PENDAHULUAN

Tahu adalah makanan tradisional yang terbuat dari kedelai, yang kaya akan protein, rendah sodium, kolesterol dan kalori. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal dari Tiongkok, seperti halnya kecap, taucu, bakpao dan bakso. Nama "tahu" merupakan serapan dari bahasa Hokkian (tauhu) yang secara harfiah berarti "kedelai terfermentasi".

(2)

Tahu merupakan makanan rakyat yang banyak dikonsumsi oleh masyarakat dan dikenal sebagai makanan sehari-hari yang umumnya sangat digemari serta mempunyai daya cerna yang tinggi. Kandungan gizi dalam tahu memang masih kalah dibandingkan lauk pauk hewani, seperti telur, daging, dan ikan. Namun dengan harga yang lebih ekonomis, masyarakat cenderung lebih memilih tahu sebagai bahan makanan pengganti protein hewani untuk memenuhi kebutuhan gizi (Foragri, 2012).

BPS mencatat terdapat 115 ribu unit usaha tahu dan tempe di seluruh Indonesia, yang mayoritas tersebar di Jawa Tengah, Jawa Timur, Jawa Barat, Yogyakarta, Lampung, Jakarta, dan kota besar lainnya. Menjamurnya industri penghasil tahu di Indonesia, mengakibatkan kebutuhan kacang kedelai untuk pembuatan tahu semakin meningkat. Berdasarkan data kementerian Pertanian, tingkat kebutuhan konsumsi masyarakat Indonesia akan kedelai setiap tahunnya mencapai kisaran 2,2-2,5 juta ton, sedangkan kemampuan produksi dalam negeri hanya mencapai 700-800 ribu ton. Sehingga kebutuhan akan kacang kedelai harus dicukupkan dengan cara mengimpor dari Amerika Serikat dan Brazil (www.antaranews.com). Kegiatan impor kacang kedelai berdampak pada harga beli kacang kedelai yang mengikuti kurs mata uang dari negara pengimpor sehingga mengakibatkan harga kacang kedelai meningkat dan pendapatan produsen tahu menjadi menurun. Fakta tersebut yang membuat para produsen tahu harus berpikir keras untuk meminimumkan biaya produksi. Selain itu, tahu memiliki kandungan air yang tinggi sehingga mudah rusak dan ditumbuhi mikroba. Oleh karena itu, tahu tidak tahan lama dan mudah rusak atau basi (Syarfaini dan Muhammad, 2014).

Di Indonesia, tahu mempunyai dua varian warna yaitu tahu putih dan tahu kuning. Tahu berwarna putih merupakan warna asli hasil olahan kedelai sedangkan tahu kuning berasal dari tambahan pewarna makanan alami seperti kunyit. Saat ini banyak sekali kecurangan yang dilakukan oleh produsen untuk meraup keuntungan yang banyak, seperti menggunakan pewarna tekstil sebagai substitusi pewarna makanan. Hal ini tentu sangat berbahaya apabila tanpa sadar dikonsumsi oleh masyarakat secara kontinu (Regeista dkk., 2014)

Sayangnya masyarakat belum mampu untuk mengenali tahu yang berpewarna sintetis ataupun berpewarna alami dengan baik. Metode saat ini yang digunakan untuk mengidentifikasi tahu berpewarna sintetis adalah dengan menggunakan media air kapur dan kapas, yang kemudian ditempelkan pada tahu. Metode ini tentu dapat diaplikasikan, akan tetapi untuk memperoleh hasil pendeteksian yang akurat diperlukan pengujian di laboratorium yang mustahil dilakukan oleh masyarakat karena biayanya yang tidak sebanding dengan harga tahu (Regeista dkk, 2014). Oleh karena itu, diperlukan suatu mekanisme yang sederhana dan dengan biaya murah untuk dapat mendeteksi tahu tersebut mengandung bahan pewarna berbahaya atau tidak tanpa harus melakukan pengujian di laboratorium.

Saat ini, kemajuan dalam bidang teknologi informasi khususnya pada pengolahan citra dan komputer vision sangat pesat. Komputer vision adalah suatu proses ekstraksi nilai semantik dari data masukan berupa gambar, video, atau live camera, yang selanjutnya dilakukan pemrosesan, sehingga didapatkan informasi yang relevan. Oleh karena itu, dengan menggunakan gambar tahu yang diambil dengan sebuah kamera kemudian dilakukan proses pengenalan pola dimungkinkan untuk mendapatkan informasi bahwa tahu tersebut aman dikonsumsi ataukah tidak. Konsep tersebut dimungkinkan diterapkan mengingat masyarakat Indonesia merupakan mayoritas pengguna gadget yang sudah memiliki fitur kamera yang beresolusi lebih dari 5MP, sehingga pengambilan citra

(3)

digital pun sudah bisa dilakukan oleh masyarakat. Selanjutnya tinggal menambahkan fitur aplikasi yang mendukung untuk mengenali tahu yang aman dikunsumsi berdasarkan citra yang diambil dari kamera gadget tersebut dengan bantuan sebuah aplikasi yaitu matlab.

2. METODE PENELITIAN Objek Penelitian

Objek yang digunakan dalam penelitian ini adalah citra digital dari tahu kuning berpewarna alami dan berpewarna sintetis data latih maupun data testing yang diambil menggunakan kamera handphone Xiaomi dengan resolusi kamera sebesar 1944x2592 pixel yang beralaskan dengan alas kertas berwarna putih.

Bahan dan Alat (Instrumen)

Bahan yang digunakan adalah tahu kuning yang warna kuningnya berasal dari kunyit asli, serta tahu putih yang sudah diberikan pewarna sintetis atau pewarna naptol pakaian. Citra tahu diambil menggunakan kamera handphone Xiaomi Redmi 3 Pro dengan resolusi sebesar 1944x2592 pixel. Data citra yang diperoleh kemudian diolah menggunakan aplikasi Matlab R2014a.

Waktu dan Tempat Pelaksanaan

Penelitian dilakukan selama 1 bulan terhitung pada bulan Juli 2018 yang dilakukan di kampus Institut Sains & Teknologi AKPRIND Yogyakarta.

Metode Pengumpulan Data

Data yang digunakan bersumber dari tahu untuk jenis tahu berwarna kuning. Data yang dikumpulkan sebanyak 53 data berupa data tekstual yang digunakan sebagai data training untuk mendapatkan sebuah keputusan. Sedangkan data gambar tahu yang akan diakuisisi bersumber dari Pasar Prambanan yang diambil dengan kamera smartphone 13 Megapixel dengan mode manual. Data gambar diambil dengan rasio 1:1 berukuran 3 x 3 cm dengan latar belakang berwarna putih objek agar tampak lebih jelas dengan latar belakangnya.

Metode Analisis

Metode yang digunakan dalam proses klasifikasi tahu berpewarna alami dan tahu berpewarna sintetis menggunkan metode K-Nearest Neighbor (K-NN) dengan bantuan aplikasi Matlab R2014a. K-Nearest Neighbor (K-NN) adalah suatu metode yang menggunakan algoritma supervised dimana hasil dari sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Variabel yang digunakan adalah contrast, correlation, energy, dan homogenity. Nilai dari variabel tersebut diperoleh dari proses GLCM (Gray Level Co-occurrence Matrix). Gray Level Co-occurrence Matrix (GLCM) adalah teknik untuk memperoleh tekstur citra dengan menggunakan perhitungan pada orde kedua. Sebelumnya dilakukan training terhadap 42 data tahu untuk mendapatkan base pengetahuan dengan menggunakan ekstraksi ciri fitur orde 1, kemudian dilakukan tes terhadap 11 data acak citra tahu menggunakan metode K-NN yang selanjutnya dapat ditarik kesimpulan bahwa tahu tersebut aman dikonsumsi atau tidak.

(4)

3. HASIL DAN PEMBAHASAN

Hasil pengambilan sampel dengan acak untuk 11 data uji didapatkan 10 tahu yang sesuai dengan keadaan sebenarnya, yaitu 3 tahu aman konsumsi dan 7 tahu tidak aman konsumsi. Sedangkan 1 citra tahu tidak dapat dideteksi oleh klasifikasi K-NN. Satu jenis tahu yang tidak dibaca oleh K-NN dengan benar adalah merupakan tahu aman konsumsi yang dibaca oleh sistem menjadi tahu tidak aman konsumsi. Pengklasifikasian K-NN memanfaatkan fitur GLCM citra dan menggunakan jumlah K=7, karena semakin besar nilai K(tetangga) akan semakin kecil terjadinya kesalahan (Yufika.,2012). Hasil penelitian disajikan pada tabel 1

Tabel 1. Hasil Penelitian

No Citra Hasil Identifikasi Kesesuaian

1 Tidak Aman Konsumsi Sesuai

(5)

7 Tidak Aman Konsumsi Tidak Sesuai

9 Aman Konsumsi Sesuai

3.1 Cropping

Setelah mengambil objek citra tahu, memangkas gambar menjadi ukuran 3x3 cm harus dilakukan. Memangkas gambar diperlukan agar semua inputan gambar memiliki ukuran yang sama dan tidak besar sehingga ketika akan diolah ke aplikasi Matlab, proses pengolahan tidak akan berat dan memakan waktu yang lama. Contoh hasil cropping disajikan pada tabel 2.

Tabel.2.Hasil Cropping

Sebelum crop Sesudah crop

3.2 Pembentukan Matriks GLCM

Proses selanjutnya adalah mencari matriks GLCM. Citra yang sudah dipangkas kemudian dirubah menjadi grayscale agar bisa dicari nilai keabuan dari GLCM. Sudut yang diuji coba yaitu 0°, 45°, 90°,135°, dan

(6)

rata-rata dari nilai sudut. Jarak antar pixel digunakan adalah 1. Mencari nilai GLCM dilakukan menggunakan aplikasi Matlab R2014a. Gambar 1 menyajikan salah satu contoh hasil nilai GLCM dari citra tahu, yang nilainya diperoleh dari Matlab.

Gambar 1. Hasil Nilai GLCM dengan Matlab

Setelah diperolah nilai GLCM dari beberapa sudut yang ada, nilai sudut average digunakan sebagai perbandingan untuk klasifikasi K-NN.

3.3 Klasifikasi menggunakan K-Nearest Neighbor

Data yang sudah dijadikan satu akan dibandingkan menggunakan metode K-Nearest Neighbor dengan pencarian jarak Euclidean.

(1)

Pada penelitian ini dilakukan 11 kali uji coba dengan K=7, Sudut menggunakan rata-rata sudut 0°, 45°, 90°,dan 135° dan jumlah data training dan data testing yang berbeda-beda.

3.4 Hasil identifikasi

Setelah diklasifikasi menggunakan metode K-NN dari 11 data uji, sistem dengan baik dalam mengklasifikasikan tahu berpewarna sintetis dengan akurasi 100%, sedangkan satu citra tahu aman dengan pewarna kunyit tidak terbaca oleh sistem dengan baik dan tingkat akurasi hanya 75%. Namun secara keseluruhan sistem dapat membaca 10 dari 11 data yang diuji sehingga menghasilkan akurasi sebesar 90,91%. Hasil identifikasi menggunakan K-NN dipaparkan pada tabel 3. Untuk tahu tidak aman konsumsi dan tabel 4. Untuk tahu aman konsumsi.

(7)

Tabel 3. Hasil Klasifikasi Tahu Tidak Aman Konsumsi No. Citra masukan Hasil kesimpulan

berdasarkan aplikasi

Tahu sebenarnya Keterangan

1. Tidak Aman Tidak Aman Sesuai

4 Tidak Aman Tidak Aman Sesuai

5.

Tidak Aman Tidak Aman Sesuai

6.

Tidak Aman Tidak Aman _Sesuai

7.

(8)

Tabel 4. Hasil Klasifikasi Tahu Aman Konsumsi No. Citra masukan Hasil kesimpulan

berdasarkan aplikasi

Tahu sebenarnya Keterangan

1. Aman Aman Tidak Sesuai

2. Aman Aman Sesuai

3. Aman Aman Sesuai

4 Tidak Aman Aman Tidak Sesuai

Melalui pengujian 11 citra tahu pada aplikasi, diperoleh beberapa hasil identifikasi yang tidak tepat. Hal ini mempengaruhi tingkat akurasi dari aplikasi. Perhitungan untuk akurasi keseluruhan aplikasi ditunjukkan oleh persamaan 2 dan perhitungan kesalahan prediksi ditunjukkan oleh persamaan 2.

(2)

(3)

Dari Tabel 3 dan Tabel 4 dapat dilihat bahwa terdapat 1 kesalahan identifikasi yaitu citra nomor 4 tahu aman dari 11 citra tahu yang diuji. Tabel 5 menunjukkan perhitungan tingkat akurasi dan kesalahan dari aplikasi berdasarkan hasil penelitian.

Tabel 5 Perhitungan tingkat akurasi dan kesalahan dari aplikasi berdasarkan hasil penelitian Jumlah

Pengujian

Jumlah Kesalahan

Pengujian Akurasi (%) Prosentase Kesalahan (%)

(9)

Berdasarkan Tabel 5, perhitungan dengan aplikasi ini menunjukkan bahwa akurasi yang dimiliki aplikasi identifikasi tahu ini sebesar 90,91% dan kesalahan 9,09%.

4. KESIMPULAN

Berdasarkan hasil pengujian pada data uji yang telah dilakukan dapat diambil kesimpulan bahwa deteksi dengan menggunakan ekstraksi ciri tekstur dan metode K-Nearest Neighbor dalam mengklasifikasikan tahu berpewarna alami yang kemudian disebut tahu aman konsumsi dan berpewarna sintetis yang kemudian disebut tahu tidak aman konsumsi, dengan K=7 dan jarak antar pixel adalah 1 memiliki nilai akurasi atau tingkat keberhasilan sebesar 90.91% dimana hanya 1 dari 11 data diklasifikasikan tidak sesuai dengan hasil sebenarnya.

UCAPAN TERIMA KASIH

Ucapan terima kasih kami sampaikan kepada Ibu Emy Setyaningsih,S.Si,M.Kom yang telah membina dan mendukung kami dalam melakukan penelitian ini. Selain itu, kami juga mengucapkan terima kasih kepada Jurusan Sistem Komputer Institut Sains & Teknologi AKPRIND Yogyakarta yang telah mendukung kami dalam bentuk bantuan pembiayaan dalam penelitian ini.

DAFTAR PUSTAKA

Biro Pusat Statistik..2017.Diakses 5 Agustus 2018. www.bps.go.id.

Regeista, F., Yatmo, A.H., Sa’diyah, H., Sahwal, A.J., Mustofa, A. dan Sugiarto, Y., 2014. Uji Performansi Alat “ Digital Formaldehyde Meter ” Pendeteksi Kandungan Formalin pada Makanan Performance Test “ Digital Formaldehyde Meter ” Detection of Formaldehyde Content in Food. Jurnal Keteknikan Pertanian Tropis dan Biosistem, 2(2), hal.97–103.

Sebastian Rori Listyanto. Implementasi K-Nearest Neighbor untuk mengenali pola citra dalam mendeteksi penyakit kulit. Semarang: Jurnal Informatika.

Suryanto, 2012, Anomali cuaca pemicu naiknya harga kedelai. Antaranews.com. Diakses 5 Agustus 2018. www.antaranews.com/berita/323710/anomali-cuaca-pemicu-naiknya-harga-kedelai.

Syarfaini dan Muhammad, R., 2014. Analisis Kandungan Formalin pada Tahu di Pasar Tradisional Kota Makassar Tahun 2014. Al-Sihah : Public Health Science Journal, 6(2), hal.1–11.

Yufika Agustyan, Sri Setyaningsih, dan Arie Qur’ania. Model deteksi kandungan formalin pada ikan dengan citra Hue Saturation Value (HSV) menggunakan K-Nearest Neighbor. Bogor: Jurnal Komputer

Raja, S. Daniel Madan dan A. Shanmugam 2012, ANN and SVM Based War Scene Classification Using Invariant Moments and GLCM Features: A Comparative Study, Vol. 2, No. 6, International Journalmachine Learning And Computing, India.

(10)

(11)