Klasifikasi Daging Ayam Menggunakan Naive Bayes
Classifier Berdasarkan Pada Ekstraksi Fitur Tekstur
Histogram
Chicken Meat Classification Using Naive Bayes Classifier
Based On Histogram-based Feature Texture Extraction
Albertus Andy Setyaputra, T. Sutojo
Teknik Informatika, Ilmu Komputer, Universitas Dian Nuswantoro Semarang, Jl. Nakula I No. 5-11, Semarang, 50131, Indonesia
e-mail: albrtzandy@gmail.com
Abstrak
Meningkatnya minat konsumen terhadap daging ayam tiap tahunnya membuat para pedagang bersaing untuk memperoleh keuntungan. Persaingan ini memicu kecurangan dari beberapa pedagang yang tidak bertanggung jawab dengan sengaja menjual daging ayam tiren melalui berbagai teknik penjualan sehingga dapat laku terjual kepada konsumen. Ayam tiren merupakan istilah untuk ayam yang telah mati terlebih dahulu tanpa melalui proses penyembelihan sehingga darah mengendap di dalam tubuhnya lalu menjadi busuk. Peredaran daging ayam tiren di pasar tentunya sangat meresahkan dan merugikan masyarakat. Solusi untuk permasalahan ini yaitu dengan merancang sebuah perangkat lunak yang mampu mengenal kualitas daging ayam berdasarkan fitur tekstur pada citra daging ayam dan mengklasifikasikannya ke dalam suatu kelas tertentu. Metode ekstraksi fitur tekstur berbasis Histogram digunakan untuk memperoleh fitur ciri dari citra daging ayam. Proses klasifikasi daging ayam dapat dilaksanakan dengan menggunakan metode klasifkasi Naive Bayes. Hasil proses klasifikasi menggunakan algoritma klasifikasi Naive Bayes ini menghasilkan tingkat akurasi hingga 81% berdasarkan pada 100 data citra uji dan 150 data citra latih.
Kata kunci : Klasifikasi daging ayam, Ayam Tiren, Pengolahan Citra Digital, Naive Bayes,
Ekstraksi Fitur Tekstur Histogram.
Abstract
Every year there is an increase in the production and consumption of chicken meat that caused the amount of merchants to compete each other to gain profit. This rivalry between traders has sparked some of the irresponsible merchants that deliberately selling rotten chicken by using their various selling technique to make it sold to the consumers. Rotten chicken is a term for a chicken that had died first before went through the slaughtering process so that the blood settled in the body then became rotten. The solution to this issue is to design a software which is able to recognize the quality of chicken meat based on the texture features of the image of chicken meat and classifies them into a particular class. The Histogram-based feature texture extraction method is used to obtain some of the characteristic features of the image of chicken meat. Chicken meat classification process can be implemented by using the Naive Bayes Classification method. The result of the chicken meat classification process using the Naive Bayes Classification algorithm produces up to 81% accuracy rate based on the test image data as much as 100 images and training image data as much as 150 images.
Keywords : Chicken meat classification, Rotten chicken, Digital Image Processing, Naive
Bayes,Histogram-based Featuer Texture Extraction. 1. PENDAHULUAN 1.2 Latar Belakang
Pada dasarnya daging hewan ialah sekumpulan jaringan otot beserta dengan lemak yang terbungkus oleh kulit dan melekat pada tulang. Daging memiliki kandungan nutrisi yang lengkap seperti vitamin, mineral, lemak, protein dan karbohidrat yang sangat berguna bagi pertumbuhan manusia. Berdasarkan pada informasi yang telah penulis peroleh bahwa jenis daging yang seringkali dikonsumsi oleh masyarakat Indonesia antara lain daging ayam, daging ikan, daging sapi dan daging kambing [1].
Berdasarkan pada data yang penulis rangkum melalui Statistik Peternakan pada tahun 2013 tercatat bahwa di wilayah Jawa Tengah populasi hewan konsumsi seperti sapi mencapai 2.092.436 ekor, babi 166.718 ekor, kambing 3.996.544 ekor dan ayam 80.082.520 ekor. Sedangkan untuk produksi daging sapi mencapai 62.720 ton, daging babi mencapai 1.517 ton, daging kambing mencapai 12.002 ton dan daging ayam mencapai 552.589 ton. [4]
Meningkatnya minat konsumen terhadap daging ayam tiap tahunnya menyebabkan para pedagang bersaing untuk memperoleh keuntungan yang lebih besar. Tentunya hal ini memicu kecurangan dari beberapa pedagang yang tidak bertanggung jawab dengan secara sengaja memanfaatkan daging ayam yang sudah tidak layak konsumsi untuk tetap dijual dengan tujuan supaya mendapatkan keuntungan yang lebih besar [5].
Daging ayam yang tak layak konsumsi tersebut dikenal dengan istilah daging Ayam Tiren (ayam yang mati kemarin). Ayam tiren merupakan istilah untuk ayam yang telah mati terlebih dahulu tanpa melalui penyembelihan, sehingga darah mengendap di dalamnya lalu menjadi busuk. Penyebab kematian ayam tersebut dapat melalui kecelakaan, sakit, stress, kelaparan, kurangnya perawatan atau bahkan karena keracunan. Selain itu penanganan ayam yang kurang baik juga dapat mempercepat kematian terhadap ayam tersebut. Ciri fisik pada ayam tiren terlihat jelas pada warna daging yang pucat, kulitnya yang licin berlendir, terdapat bercak darah pada bagian tubuh tertentu dan aroma amis yang sangat menyengat [5].
Menurut survey yang dilakukan oleh Ajeng Rucitra Nareswari pada skripsinya [5] bahwa pedagang seringkali menyembunyikan ayam tiren yang hendak dijualnya dengan cara menyimpan daging ayam tiren tersebut di dalam ember besar yang penuh dengan air atau melumuri daging ayam tiren dengan bumbu kuning untuk menyamarkan penglihatan visual konsumen, sehingga konsumen terkecoh pada saat membeli daging. Berbagai cara dilakukan oleh pedagang untuk meraup keuntungan yang besar dari penjualan daging ayam tiren. Meskipun pihak berwajib telah beberapa kali memberikan peringatan maupun larangan terhadap pedagang ayam tiren, namun tetap saja dihiraukan oleh mereka walaupun penjualan daging ayam tiren bertentangan dengan Peraturan Undang-undang No. 7 tahun 1996 Pasal 21 mengenai dilarangnya mengedarkan pangan yang beracun, busuk dan kadaluarsa terhadan konsumen / masyarakat umum.
Kasus penjualan ayam tiren telah terjadi di Semarang pada tanggal 13 Juli 2015 pada pukul 18.00 yang melibatkan seorang pedagang yang tertangkap petugas kepolisian karena terbukti menjual daging ayam tiren sebanyak 15 ekor yang dijual dengan kisaran harga sekitar Rp 3.000 – Rp 5.000/ekor. Kasus serupa juga terjadi di Jakarta timur pada tanggal 14 Desember 2015 dimana petugas kepolisian cakung menggrebek gudang peredaran ayam tiren dan berhasil menyita 47 ekor ayam tiren tanpa bekas potongan di leher ayam. Selain itu juga terdapat 20 korban keracunan daging ayam tiren yang terjadi di Banyumas pada tahun 2014. Peristiwa tersebut tentunya sangat merugikan konsumen karena pedagang masih menghiraukan keamanan dan kehalalan pangan untuk masyarakat Indonesia. Oleh karena para petugas yang seringkali masih melakukan razia terhadap pedagang daging ayam tiren, setidaknya masyarakat terbantu oleh tindakan petugas tersebut dalam rangka memberantas pedagang-pedagang yang masih nakal dan nekat menjual daging ayam tiren pada masyarakat.
Pada umumnya penjualan ayam tiren dipicu oleh faktor ekonomi para pedagang yang ingin meraup keuntungan besar. Patokan harga dari ayam tiren tersebut biasanya lebih murah dibandingkan dengan ayam normal/sehat supaya ayam tersebut tetap dapat laku dijual kepada konsumen. Peredaran daging ayam tiren ini sangat meresahkan dan merugikan masyarakat khususnya bagi umat muslim yang dilarang mengkonsumsi daging tersebut. Hal ini disebabkan oleh kurangnya pengetahuan dan pengalaman masyarakat dalam hal membedakan daging ayam sehat dengan daging ayam tiren. Terlebih secara kasat mata pula sukar untuk membedakan kedua daging ayam tersebut. Saat berbelanja daging ayam tentunya konsumen harus teliti dalam membedakan karakteristik daging ayam normal dengan daging ayam tiren supaya tidak terkecoh [6] [5].
Metode yang dapat digunakan untuk mengatasi permasalahan ini dalam bidang teknik informatika ialah dengan memanfaatkan teknik pengolahan citra digital. Solusinya yaitu dengan merancang sebuah perangkat lunak yang mampu mengenal kualitas daging ayam berdasarkan pada citra tekstur daging ayam tersebut dan mengklasifikasikannya ke dalam suatu kelas. Pada dasarnya sebuah citra / gambar pada daging ayam mengandung informasi berupa nilai tekstur yang akan diolah untuk mendapatkan ciri fitur sebagai parameter penentu. Pada penelitian ini penulis menggunakan sampel berupa daging ayam sehat dan daging ayam tiren dimana keduanya masih mentah.
Berdasarkan pada buku [7] yang menyatakan bahwa sebelum proses klasifikasi menggunakan Naive Bayes dapat dilaksanakan, terlebih dahulu penulis harus melakukan analisis terhadap tekstur yang bertujuan untuk mengidentifikasi parameter tertentu yang akan digunakan sebagai nilai penentu kelas daging ayam. Parameter tersebut dapat diperoleh dengan menggunakan metode ekstraksi fitur tekstur berbasis Histogram.
Metode ekstraksi fitur tekstur berbasis Histogram ini menggunakan perhitungan statistik untuk mendapatkan fitur tesktur dan termasuk dalam metode statis orde satu. Pada metode tersebut terdapat enam fitur antara lain :Rerata intensitas (Mean), Rerata kontras (Standar Deviasi), Ukuran ketidaksimetrisan pada rerata intensitas (Skewness), Distribusi intensitas piksel terhadap jangkauan aras keabuan(Energy), Kompleksitas citra (Entropy), dan Kehalusan (Smoothness) Sekumpulan fitur tersebut akan menjadi parameter penentu kelas daging ayam normal dan kelas daging ayam tiren. Hasil perhitungan dari keenam fitur tersebut kemudian akan diproses menggunakan metode klasifikasi Naive Bayes untuk menentukan kualitas daging ayam, apakah hasilnya termasuk ke dalam kelas citra daging ayam normal atau kelas citra daging ayam tiren [7].
Metode Naïve Bayes merupakan sebuah teknik prediksi yang berbasis probabilistik sederhana dan berdasarkan pada penerapan teorema bayes dengan asumsi ketidaktergantungan yang kuat (naïf). Model yang digunakan dalam Naïve Bayes adalah model “fitur independen” yang berarti sebuah fitur pada data tidak berkaitan terhadap eksistensi fitur lain dalam data yang sama pula, sehingga masing-masing fitur seolah tidak memiliki hubungan apa pun. [8].
Hubungan antara metode Naïve Bayes dengan klasifikasi, bukti klasifikasi, dan korelasi hipotesis antara lain bahwa hipotesis yang terdapat pada teorema Bayes adalah label kelas yang berperan sebagai target pemetaan dalam klasifikasi, sedangkan bukti ialah sekumpulan fitur yang menjadi inputan/masukan dalam model klasifikasi. Inputan ini yang nantinya akan dicocokkan dengan nilai yang terkandung dalam label kelas untuk menghasilkan suatu informasi yang dibutuhkan oleh seorang peneliti [8].
Penulis mengharapkan kombinasi penggunaan metode ekstraksi fitur tekstur Histogram dengan metode klasifikasi Naïve Bayes dapat mengklasifikasikan citra daging ayam serta mampu menghasilkan akurasi yang tinggi.
1.2 Rumusan Masalah
Berdasarkan pada latar belakang yang telah penulis uraikan sebelumnya, sehingga perumusan masalah dapat penulis susun sebagai berikut :
1. Bagaimanakah merancang suatu perangkat lunak yang dapat mengenali dan mengklasifikasikan daging ayam normal dan daging ayam tiren dengan menerapkan
metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naïve Bayes Classifier dengan menggunakan bahasa pemrograman Matlab ?
2. Seberapa besar tingkat akurasi yang dihasilkan oleh perangkat yang dirancang dalam mengklasifikasikan citra daging ayam normal dan citra daging ayam tiren dengan menggunakan metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naïve Bayes Classifier?
1.3 Tujuan Penelitian
Berdasarkan pada perumusan dan batasan masalah yang penulis telah uraikan sebelumnya, maka dari itu penulis mendeskripsikan tujuan dari penelitian ini, yaitu sebagai berikut :
1. Mengimplementasikan metode ekstraksi fitur tekstur berbasis Histogram dan metode klasifikasi Naive Bayes untuk mengelompokkan citra daging ayam normal dan citra daging ayam tiren menggunakan bahasa pemrograman Matlab.
2. Melalui penelitian ini penulis berharap pembaca dapat menambah pengetahuan mengenai ekstraksi fitur tekstur berbasis Histogram dan menggunakan klasifikasi Naïve Bayes serta karakteristik dari daging ayam yang berkualitas baik maupun yang tidak baik untuk dikonsumsi.
3. Sebagai salah satu syarat kelulusan guna mendapatkan gelar sarjana strata-1 teknik informatika.
2. METODE PENELITIAN 2.4 Metode Yang Diusulkan
Model penelitian yang digunakan ialah berdasarkan pada flowchart berikut ini :
Gambar 2. 1 Flowchart Metode Penelitian Yang Diusulkan 2.2 Tahap Implementasi Metode
Berdasarkan pada flowchart pada gambar 2.1 maka pada penelitian ini terdapat 2 tahap penelitian yaitu tahap pelatihan dan tahap pengujian. Pada bagian ini peneliti akan terlebih dahulu menjelaskan mengenai tahap pelatihan yaitu sebagai berikut :
1. Input Citra latih
Dalam hal ini seluruh citra latih ayam normal dan citra latih ayam tiren 2. Pre-processing pada citra latih meliputi
Cropping pada seluruh citra latih ke dalam ukuran 400 x 400 dengan tujuan untuk menghilangkan background yang tidak dibutuhkan dalam penelitian.
Grayscalling pada seluruh citra latih yang telah di-cropping.
3. Ekstraksi Fitur Tekstur berbasis Histogram pada seluruh Citra Latih
Citra hasil pre-processing kemudian dihitung dan diproses melalui 6 fitur tekstur yaitu : mean, standar deviasi, skewness, energy, entropy dan smoothness yang terdapat pada persamaan berikut :
∑ ( )
(1)
Mean merupakan fitur tekstur yang mewakili kecerahan pada objek
gambar. Mean mengukur nilai rata-rata dari suatu nilai intensitas. jadi apabila
semakin tinggi nilai dari Mean, maka semakin terang pula gambar tersebut,
namun apabila semakin rendah nilai Mean. [7] [22]
√∑( ) ( )
(2)
Fitur kedua berupa standar deviasi atau varians yang merupakan orde
kedua dan menunjukkan kontras intensitas tingkat abu-abu. Semakin rendah
Gambar 2. 2 Hasil Cropping citra daging ayam
nilai dari standar deviasi maka semakin kecil kontrasnya, apabila semakin tinggi
nilai standar deviasi maka semakin tinggi kontrasnya. [7] [22]
∑( ) ( )
(3)
Fitur ketiga yaitu Kecondongan atau Skewness yang seringkali disebut
sebagai momen orde tiga ternormalisasi. Fitur ini merupakan ukuran ketidak
simetrisan atau kemiringan terhadap rerata intensitas. [7] [22]
∑ ( )
(4)
Fitur keempat yaitu energy. Energy adalah ukuran yang menyatakan distribusi intensitas piksel terhadap jangkauan aras keabuan. Citra yang seragam dengan satu nilai aras keabuan akan memiliki nilai energy yang maksimum, yaitu sebesar 1. . Secara umum, citra dengan sedikit aras keabuan akan memiliki energy yang lebih tinggi daripada yang memiliki banyak nilai aras keabuan. Energy sering disebut sebagai keseragaman.
[7] [22]
∑ ( )
( ( )) (5)
Entropy yang mengindikasikan kompleksitas citra. Semakin tinggi nilai entropy, semakin kompleks citra tersebut. Entropy juga merepresentasikan jumlah informasi yang terkandung di dalam sebaran data. Perlu diketahui, entropy dan energy berkecenderungan berkebalikan. Biasanya gambar yang tidak kompleks memiliki entropy yang rendah, sedangkan gambar yang lebih kompleks memiliki entropy yang tinggi.
[7] [22]
(6)
Properti kehalusan biasanya disertakan untuk mengukur tingkat
kehalusan/kekasaran intensitas pada citra. Pada rumus di atas,
adalah deviasi
standar yang telah dinormalisasi sehingga nilainya berada dalam jangkauan [0 1]
dengan cara membaginya dengan ( )
. [7] [22]
Dalam hal ini, i adalah aras keabuan pada citra f, lalu p(i) merupakan probabilitas kemunculan i dan L adalah tingkat aras keabuan tertinggi [7] [22]
Menyimpan seluruh nilai fitur/parameter hasil ekstraksi fitur tekstur pada seluruh data latih ke dalam database fitur citra latih.
4. Kemudian dilakukan perhitungan Mean ( ) terhadap semua parameter ekstraksi fitur dari seluruh citra latih yang telah disimpan di database berdasarkan kelasnya melalui persamaan berikut :
Keterangan rumus Mean :
x = Nilai data dari attribut yang digunakan n = Nilai dari total data masing-masing kelas 5. Dilanjutkan dengan menghitung standar deviasi ( 2
) terhadap semua parameter ekstraksi fitur dari seluruh citra latih yang telah disimpan di database berdasarkan kelasnya dengan menggunakan persamaan berikut :
Standar Deviasi ( ) = √ ( ) (8) Keterangan rumus Standar Deviasi :
xi = Nilai atribut x ke -i
μ = Rata-rata hitung n = Jumlah sampel
6. Menyimpan hasil perhitungan Mean dan Standar Deviasi terhadap seluruh parameter ekstraksi fitur tekstur histogram berdasarkan kelasnya masing-masing ke dalam variabel penyimpanan data sementara untuk nantinya akan digunakan dalam pengujian terhadap data uji.
Setelah tahap pelatihan telah selesai maka akan dilanjutkan ke tahap pengujian seperti berikut ini :
1. Inputkan Citra Uji dan akan melalui proses yang sama seperti pada tahap pelatihan yaitu pre-processing berupa cropping dan grayscalling, lalu dilanjutkan dengan memperoleh fitur tekstur pada citra uji menggunakan metode ekstraksi fitur tekstur berbasis histogram.
2. Melakukan klasifikasi Naive Bayes
Berdasarkan pada persamaan klasifikasi naive bayes berikut ini : P(Yk|X) =
( ) ( )
( ) (9)
maka proses klasifikasi sebagai berikut : 1. Menghitung prior probability ( ).
Pada penelitian ini P(Yk) ialah nilai probabilitas awal yang berasal dari total
data latih pada masing-masing kelas. Penulis menggunakan dua kelas dengan dataset 250 yang terdiri dari 150 data latih dan 100 data uji, kelas tersebut antara lain :
a. Kelas daging ayam normal b. Kelas daging ayam tiren
Maka dari itu persamaan yang digunakan untuk menghitung P(Yk)
terhadap tiap-tiap kelas ialah :
( ) =
(10)
2. Menghitung ( ) dengan menggunakan Gaussian Distribution pada masing-masing kelas melalui persamaan berikut ini :
( ) =
√
( )
( ) (11)
3. Menghitung posterior probability ( ) setiap class.
( ) ialah probabilitas hipotesis yang berdasarkan pada kondisi dari X. Berdasarkan pada hasil pemrosesan pada langkah sebelumnya maka kita dapat memasukkan nilai ke dalam teorema bayes.
4. Mencari nilai tertinggi dari hasil pemrosesan pada posterior probability pada masing-masing kelas.
3. Menghitung Recognition Rate
Langkah terakhir ialah menghitung akurasi pada data yang telah diklasifikasikan. Menggunakan recognition rate melalui persamaan berikut ini :
Recognition Rate = ∑ ∑ x 100% (12)
3. HASIL DAN PEMBAHASAN 3.1 Mempersiapkan Data
Pada penelitian ini diperlukan beberapa potongan daging ayam broiler untuk dilakukan pemotretan dengan jarak objek ke kamera -+ 10 cm tanpa bantuan flash pada kamera. Setelah data diakuisisi menggunakan kamera, kemudian data akan disortir sesuai kebutuhan penelitian. Hal ini dilakukan untuk memudahkan dalam pelabelan dan pengelompokan untuk data training dan data testing. Data citra daging ayam yang digunakan dalam penelitian ini sebanyak 250 dataset yang diperoleh melalui 2 ekor ayam yang berbeda (ayam normal & ayam tiren). Dari sebanyak 250 total dataset tersebut kemudian dibagi lagi menjadi berikut :
Data Latih :
1. 75 citra ayam normal 2. 75 citra ayam tiren Data Uji :
1. 50 citra ayam normal 2. 50 citra ayam tiren 3.2 Pengujian Model Klasifkasi
Sebanyak 150 citra data latih yang terdiri dari 75 citra latih daging ayam normal dan 75 citra latih daging ayam tiren diinputkan ke dalam sistem dan dilakukan proses cropping dan ekstraksi fitur tekstur terhadap seluruh data latih tersebut.
Setelah proses tahapan pre-processing dan ekstraksi fitur telah terhadap seluruh data latih telah selesai, maka hasil ekstraksi fitur akan disimpan di dalam database untuk digunakan ebagai parameter membangun model pembelajaran menggunakan metode naive bayes. Kemudian proses dilanjutkan dengan menghitung Mean dan Standar deviasi pada seluruh parameter ekstraksi fitur berdasarkan kelasnya masing-masing.
Lalu setelah selesai pada tahap pelatihan, proses dilanjutkan ke dalam tahap pengujian. Perlu diketahui bahwa citra uji yang digunakan dalam penelitian ini berbeda dengan citra latih yang telah diinputkan dan diproses sebelumnya. Pada citra uji pun akan melalui proses pre-processing dan ekstraksi fitur guna mencocokkan ciri fitur dari citra uji dengan ciri fitur pada data latih yang telah disimpan di dalam database fitur citra latih dengan menggunakan metode naive bayes.
3.3 Implementasi Sistem
Berikut merupakan penjelasan alur program klasifikasi daging ayam menggunakan naive bayes berdasarkan pada ekstraksi fitur tekstur histogram :
1. Citra latih diinputkan hingga seluruh fitur pada citra latih tersimpan di dalam database fitur citra latih. Kemudian menghitung Mean dan Standar deviasi terhadap seluruh parameter ekstraksi fitur tekstur histogram berdasarkan kelas nya masing-masing. Maka tampilan sistem saat dilakukan proses pelatihan atau perancangan model pembelajaran ialah sebagai berikut :
2. Menginputkan citra uji secara berurutan untuk dilakukan pengujian sekaligus mengklasifikasikan hasil pengujian tersebut ke dalam kelas normal atau kelas tiren berdasarkan hasil dari perbandingan nilai posterior probability yang terbesar diantara kedua kelas tersebut. Apabila nilai posterior probability kelas Normal lebih besar dari kelas Tiren maka citra uji yang diuji tersebut termasuk dalam kelas Normal, apabila sebaliknya maka citra uji tersebut termasuk ke dalam kelas Tiren. Maka tampilan sistem saat dilakukan pengujian ialah sebagai berikut ini :
3.4 Hasil Pengujian Program
Berdasarkan dari pengujian sistem klasifikasi daging ayam menggunakan metode naive bayes terhadap 100 data citra uji maka hasil penelitian tersebut sebagai berikut ini :
Gambar 3 1 Grafik hasil penelitian
Setelah seluruh data uji citra ayam normal dan data uji citra ayam tiren telah selesai dilakukan pengujian oleh sistem, maka hasilnya ialah sebagai berikut ini :
1. Jumlah data uji citra Ayam Normal yang Salah prediksi atau termasuk pada kelas yang salah ialah sebanyak 6 citra ayam normal.
2. Jumlah data uji citra Ayam Tiren yang Salah prediksi atau termasuk pada kelas yang salah ialah sebanyak 11 citra ayam tiren.
3. Jumlah data uji citra Ayam Normal yang Benar prediksi atau termasuk pada kelas yang benar ialah sebanyak 44 citra aym normal.
4. Jumlah data uji citra Ayam Tiren yang Benar prediksi atau termasuk pada kelas yang benar ialah sebanyak 39 citra ayam tiren.
5. Sehingga Total data uji yang Benar prediksi ialah sebanyak 81 cira data uji.
3.5 Akurasi
Maka proses untuk menghitung persentase hasil akurasi kebenaran pada keseluruhan data uji ialah sebagai berikut ini
Recognition Rate = ∑ ∑ x 100% Recognition Rate = x 100%
= 81 %
Berdasarkan pada perhitungan recognition rate di atas, maka menunjukkan bahwa sistem klasifikasi daging ayam menggunakan naive bayes classifier berdasarkan pada ekstraksi fitur tekstur histogram menghasilkan tingkat akurasi yang cukup tinggi yaitu mencapai 81 %.
4. KESIMPULAN
Berdasarkan penelitian dan pembahasan yang telah selesai dilakukan sebelumnya, maka penulis dapat menarik kesimpulan sebagai berikut :
1. Metode Naive Bayes memanfaatkan data training untuk menghasilkan probabilitas setiap kriteria untuk kelas yang berbeda, sehingga nilai-nilai probabilitas dari kriteria tersebut dapat dioptimalkan untuk memprediksi daging ayam berdasarkan proses klasifikasi yang dilakukan oleh metode Naive Bayes itu sendiri.
2. Sistem klasifikasi daging ayam menggunakan metode Naive Bayes Classifier berdasarkan pada ekstraksi fitur tekstur berbasis Histogram telah berhasil menghasilkan tingkat akurasi sebesar 81 % dengan menggunakan dataset sebanyak 250 citra yang
6 11
44
39
Ayam Normal Ayam Tiren
terbagi menjadi data training sebanyak 150 citra dan data testing sebanyak 100 citra untuk dilakukan pengujian.
3. Besar atau kecilnya hasil posterior probability dan hasil akurasi keduanya dipengaruhi oleh banyaknya data training dan data testing yang digunakan dalam penelitian.
4. Tinggi atau rendahnya hasil perhitungan dari ekstraksi fitur tekstur berbasis Histogram dipengaruhi oleh faktor pencahayaan, posisi objek penelitian, jarak pengambilan citra dan kualitas kamera sehingga dapat menyebabkan akuisisi citra tidak dapat maksimal. 5. Hasil akhir posterior probability yang menyatakan bahwa citra yang diinputkan
termasuk ke dalam kelas yang tidak seharusnya (False) disebabkan oleh kemiripan nilai hasil perhitungan ekstraksi fitur tekstur antara kelas Normal dengan kelas Tiren atau pun sebaliknya.
6. Berdasarkan besarnya hasil akurasi yang dihasilkan tersebut, maka menunjukkan bahwa klasifikasi daging ayam menggunakan metode Naive Bayes Classifier berdasarkan tekstur pada citra dapat dimanfaatkan sebagai alat pengukur kualitas daging ayam apabila digunakan sesuai dengan prosedur penelitian yang telah dilakukan
5. SARAN
Adapun saran-saran yang dapat penulis sampaikan dalam penelitian ini untuk para peneliti yang hendak megembangkan lebih lanjut supaya dapat meningkatkan kualitas, kuantitas dan fungsionalitas dari metode klasifikasi, adalah sebagai berikut ini:
1. Menggunakan objek penelitian jenis daging yang berbeda seperti daging sapi, daging burung, daging babi atau daging kambing.
2. Memperbanyak dataset citra daging ayam yang digunakan sehingga hasil yang diperoleh pun dapat lebih akurat.
3. Menggunakan metode ekstraksi fitur tekstur yang berbeda seperti Laws, GLCM atau memanfaatkan ekstraksi ciri warna.
4. Menggunakan metode klasifikasi yang berbeda seperti KNN, C.45, Support Vector Machine (SVM) atau Neural Network.
5. Melakukan pengembangan lebih lanjut dengan menggabungkan beberapa metode yang baru atau belum pernah digunakan sehingga diharapkan dapat meningkatkan akurasi dengan menutup kekurangan-kekurangan metode yang telah diimplementasikan.
DAFTAR PUSTAKA
1. Saputro, Eko. (2013, Januari 03). Dasar-Dasar Pengolahan Daging. Batu: Kementrian Pertanian, Badan Penyuluhan Dan Pengembangan SDM Pertanian, Balai Besar Pelatiuhan Peternakan Batu.
2. Syaefulamri. (2012, Maret 20). Analisis Pengaruh Kualitas Produk Kebersihan dan Kenyamanan di Pasar Tradisional Terhadap Perpindahan Berbelanja dari Pasar Tradisional ke Pasar Modern di Kota Semarang. Skripsi . Semarang, Jawa Tengah, Indonesia: Fakultas Ekonomika dan Bisnis, Universitas Diponegoro, Semarang
3. Indiastuti, Rina., Setiawan, M., & Nurhayati, I. (2006). Analisis Penyebab Perbedaan dan Peningkatan Harga Antar Komoditas Survey pada Berbagai Komoditas Bahan Makanan dan Makanan Jadi di Kota Bandung. Bandung: Universitas Padjadjaran dan Kantor Bank Indonesia Bandung.
4. RI, Kementrian Pertanian.(2013). STATISTIK PETERNAKAN DAN KESEHATAN HEWAN. Jakarta : Direktorat Jenderal Peternakan dan Kesehatan.
5. Nareswari, A. R. (2006, Agustus). Identifikasi dan Karakterisasi Ayam Tiren. Skripsi . Bogor, Indonesia: Fakultas Teknologi Pertanian, Institut Pertanian Bogor.
6. Yulistiani, R. (2010). Studi Daging Ayam Bangkai : Perubahan Organoleptik dan Pola Pertumbuhan Bakteri. Jurnal Teknologi Pertanian , Vol. 11 No. 1, Hal. 27-36.
7. Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: ANDI.
8. Prasetyo, E. (2012). Data Mining - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI.
9. Permadi, Y., & Murinto. (2015). Aplikasi Pengolahan Citra Untuk Identifikasi Kematangan Mentimun Berdasarkan Tekstur Kulit Buah Menggunakan Metode Ekstraksi Ciri Statistik. Jurnal Informatika , Vol.9, No. 1.
10. Miqdad, M. (2014). Penentuan Kualitas Kayu Kelapa Menggunakan Algoritma Naive Bayes Berdasarkan Tekstur pada Citra. Jurnal Informatika.
11. Kumar, Tarun & Verma, Karun. (2010, September). A Theory Based on Conversion of RGB Image to Gray Image. International Journal of Computer Applications, Volume 7, No. 2.
12. Bhuvaneswari, R. & Kalaiselvi, K. (2012, Januari). Naive Bayesian Classification Approach in Healthcare Applications. International Journal of Computer Science and Telecommunications, Volume 3, Issue 1.
13. Saleh, Alfa. (2015, Mei - Juli). Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, Vol. 2, No. 3.
14. (2010). Pedoman Produksi dan Penanganan Daging Ayam yang Higienis. Direktorat Kesehatan Masyarakat Veteriner dan Pascapanen, Direktorat Jenderal Peternalan dan Kesehatan Hewan, Kementrian Pertanian.
15. USDA. (2016, January 15). U.S. Department of Agriculture. Retrieved January 15, 2016, from www.usda.gov: http://ndb.nal.usda.gov/ndb/foods/show/857.
16. Soeparno. (1994). Ilmu dan Teknologi Daging. Yogyakarta: Gadjah Mada University Press.
17. Lawrie, R. (2003). Ilmu Daging. Jakarta: Universitas Indonesia.
18. Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika.
19. Wijanarto, Nurhayati, O. D., Suhartono, V., Mulyanto, E., & Sutojo, T. (2009). Teori Pengolahan Citra Digital. Yogyakarta: ANDI.
20. Putra, D. (2010). Pengolahan Citra Digital. Yogyakarta: ANDI.
21. Muntasa, A., Purnomo, & Hery, M. (2010). Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu.
22. Malik, F., & Baharudin, B. (2013). The Statistical Quantized Histogram Texture Features Analysis for Image Retrieval Based on Median and Laplacian Filters in the DCT Domain. The Arab Journal of Information Technology , Vol.10, No.6.
23. Kumari, Anjana. (2014, Maret). Study on Naive Bayes Classifier and its relation to Information Gain. International Journal on Recent and Innovation in Computing and Communication, Volume 2, Issue 3.
24. Kuncara, P. (2014). Perbedaan Ekstensi Gambar JPG, GIF, PNG, BMP dan TIFF. Retrieved from www.klikhost.com: http://klikhost.com/perbedaan-ekstensi-gambar-jpg-gif-png-bmp-dan-tiff/
25. P.S, Shimi. (2014, Desember). Color vs Texture Feature Extraction And Matching In Visual Content Retrieval By Using Global Color Histogram. Volume 5, Issue 12, pp. 134 – 141.
