Laporan Sistem Transformasi Data
Image Comparison using Fiji ImageJ Processing and Adobe
Photoshop CC 2019 to Analyze & Detect Quality Level of Beef Sort
(Perbandingan Gambar menggunakan Software Pemrosesan Fiji ImageJ dan AdobePhotoshop CC 2019 untuk Menganalisis dan Mendeteksi Tingkat Kualitas Jenis Daging Sapi)
Ditujukan untuk memenuhi Ujian Tengah Semester IV Sistem Transformasi Data yang dibimbing oleh: Bapak Imam Yuadi S.Sos., M.MT., Ph.D
Disusun oleh Kelompok 11 :
Rafi Arkhab Astama (071911633070)
Mohammad Rhenald Armand (071911633089)
Ilmu Informasi dan Perpustakaan
Fakultas Ilmu Sosial Ilmu Politik
Universitas Airlangga
Surabaya
PENDAHULUAN
Kebutuhan daging sapi yang tiap saat meningkat sering dimanfaatkan oleh penjual daging sapi untuk melakukan berbagai aksi yang sebenarnya haram, seperti kecurangan. Kecurangan yang sering dimanfaatkan pada umumnya dalam hal kualitas daging sapi. Kualitas daging ditentukan oleh beberapa parameter, termasuk parameter ukuran, tekstur, karakteristik warna, bau daging dan sebagainya. Parameter atau ukuran adalah salah satu faktor penting untuk menentukan kualitas daging. Biasanya banyak masyarakat pada saat menentukan kualitas daging, hanya menilai objek yang dilihatnya semata dengan menggunakan indra penglihatan. Sehingga cara manual masih bersifat subjektif dalam menilai kualitas daging.
Laporan ini bertujuan untuk mendeteksi dan menganalisis kualitas daging sapi dari aspek Ekualisasi Histogram dan Thresholding. Adapun software yang kami gunakan yaitu processing Fiji ImageJ dan raster graphics editor Adobe Inc, yaitu Photoshop CC 2019. Keduanya kami jadikan tolok ukur analisis dengan faktor mudah dalam menganalisis gambar, seperti dapat diketahui hasil nilai statistik mean dan standar deviasi dari hasil citra olahan ekualisasi histogram dan thresholding. Sehingga kami sendiri pada akhirnya menggunakan fitur analisis histogram dan thresholding. Hasil ini diharapkan dapat ditransformasikan datanya menjadi sebuah informasi untuk pengambilan keputusan pada saat ingin membeli daging sapi dengan melihat kualitasnya, layak atau tidak. dan juga sebagai tolok ukur untuk laporan selanjutnya.
DASAR TEORI
1. Daging Sapi
Daging adalah semua jaringan hewan dan semua produk hasil pengolahan jaringan-jaringan tersebut yang dapat dimakan serta tidak menimbulkan gangguan kesehatan bagi yang mengonsumsinya. Organ-organ seperti hati, paru-paru, limpa, pankreas, otak, jantung, ginjal dan jaringan otot termasuk dalam definisi ini. Pada praktiknya, definisi ini terbatas hanya pada beberapa lusin dari sekitar 3000 spesies mamalia. Daging terutama terdiri dari air, protein, dan lemak. Ini bisa dimakan mentah, tetapi biasanya dimakan setelah dimasak dan dibumbui atau diolah dengan berbagai cara. Daging yang tidak diolah akan membusuk atau membusuk dalam beberapa jam atau hari akibat infeksi dan pembusukan oleh bakteri dan jamur. Berdasarkan SNI, daging sapi adalah bagian otot skeletal dari karkas sapi yang aman, layak dan lazim dikonsumsi oleh manusia, dapat berupa daging segar atau daging beku. Karakteristik khusus daging sapi yang sehat adalah berwarna merah terang/cerah, mengkilap, tidak pucat, elastis, tidak lengket dan beraroma “khas”. Sifat sensorik yang dimiliki daging dapat menentukan kemampuan penerimaan bagi konsumen.
2. Fiji ImageJ
ImageJ merupakan sebuah software pengolah citra/gambar yang dikembangkan oleh Wayne Rasband dari National Intitutes of Health (NIH). ImageJ ditulis menggunakan Java yang dapat dijalankan pada sistem operasi linux, macintosh, dan windows serta dapat digunakan pada mode 32 bit dan 64 bit. Selain itu ImageJ dapat digunakan secara online maupun dipasang pada komputer. ImageJ memiliki keunggulan dibandingkan software pengolah gambar lainnya yaitu merupakan software domain public yang artinya tidak ada batasan hak cipta. Pengguna diizinkan untuk menjalankan program, membagikan salinan, dan membuat perubahan positif pada program. Software imageJ dapat didownload dengan gratis di https://imagej.nih.gov/ij/.
Adapun tampilan software ImageJ pada visualnya mendukung semua proses manipulasi gambar secara umum termasuk membaca dan mengedit file gambar. Format gambar yang dapat dibaca antara lain TIFF, GIF, JPEG, BMP, DICOM, FITS, dan RAW. Selain itu juga dapat digunakan untuk memproses gambar secara langsung dari kamera, scanner, dan video recorder. ImageJ memungkinkan pengguna untuk membuat
grafik dari data serta meningkatkan kualitas gambar. Ini sering digunakan untuk menganalisis gambar mikroskop, pengukuran area, penghitungan partikel, segmentasi dan pengukuran fitur spasial atau temporal dari elemen biologis. Fitur-fitur ini sangat penting bagi para peneliti untuk menganalisis foto dan gambar mereka.
3. Adobe Photoshop CC 2019
Adobe Photoshop adalah perangkat lunak editor citra buatan Adobe Systems yang dikhususkan untuk pengeditan foto/gambar dan pembuatan efek. Perangkat lunak ini banyak digunakan oleh fotografer digital dan perusahaan iklan sehingga dianggap sebagai pemimpin pasar (market leader) untuk perangkat lunak pengolah gambar/foto, dan, bersama Adobe Acrobat, dianggap sebagai produk terbaik yang pernah diproduksi oleh Adobe Systems. Versi kedelapan aplikasi ini disebut dengan nama Photoshop CS (Creative Suite), versi sembilan disebut Adobe Photoshop CS2, versi sepuluh disebut Adobe Photoshop CS3, versi kesebelas adalah Adobe Photoshop CS4, versi keduabelas adalah Adobe Photoshop CS5, versi ketigabelas adalah CS6, dan versi terbaru adalah Adobe Photoshop CC (Creative Cloud).
Adobe Photoshop CC ini membawa beberapa fitur yang dipunyai Adobe Lightroom 5 beta seperti salah satunya Camera Raw. Dengan menggunakan fitur satu ini, maka pengeditan mulai dari saturasi sampai cerah tidaknya gambar dapat diatur lebih komplet dan mudah. Tidak hanya membawa beberapa peralatan dari Adobe Lightroom, di Creative Cloud juga terdapat tools yang dapat digunakan untuk mendesain sebuah gambar seperti halnya yang ditemui di Adobe Illustrator. Selain itu, di Adobe Photoshop CC ini juga dapat digunakan untuk menggenerasi kode CSS serta mengimport warna dari HTML sebuah situs. Seperti banyak yang sudah diketahui, di Photoshop CS6, ada satu fitur yang dinamakan 3D Tools. di Creative Cloud ini, tim Adobe masih menyematkan fitur tersebut dengan penambahan beberapa peralatan baru lain. Pengguna produk baru Adobe ini tidak hanya dapat mengedit gambar atau foto saja, melainkan juga dapat mengedit sebuah video. Beberapa fitur bawaan Adobe Premiere pro video editor sengaja diikutsertakan di dalam Adobe Photoshop CC ini. 4. Ekualisasi Histogram
Menurut Sianipar (2013), histogram merupakan suatu grafik yang mengindikasikan jumlah kemunculan setiap level keabuan pada suatu citra. Menurut Gonzales dkk (2003), ekualisasi histogram merupakan metode untuk memperbaiki kualitas citra dengan cara mengubah sebaran tingkat keabuan citra. Hal ini dimaksudkan agar sebaran tingkat keabuan lebih merata dibandingkan dengan citra aslinya. Menurutnya pula, masalah yang terjadi pada pelebaran histogram adalah fakta bahwa diperlukannya masukan dari pengguna atau pemakai. Seringkali dijumpai bahwa pendekatan yang lebih baik adalah menggunakan ekualisasi histogram karena keseluruhan prosedur dilakukan secara otomatis. Idenya adalah mengubah histogram suatu citra menjadi seragam; yaitu setiap grafik batang pada histogram harus sama tinggi, atau dengan kata lain bahwa setiap level keabuan dalam citra harus memiliki frekuensi kemunculan yang sama.
5. Thresholding
Thresholding merupakan salah satu metode segmentasi yang sederhana sehingga mudah diterapkan yaitu pengambangan mensegmentasikan citra menjadi dua wilayah. Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 8, maka tinggal membagi nilai derajat keabuan dengan 8. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra. Untuk mencoba melakukan proses thresholding, perlu dibuat program untuk dapat mengubah-ubah nilai tresholding sesuai keinginan. Sehingga perlu ditampilkan dua citra, yaitu citra asli (grayscale) dan hasil thresholdingnya dengan nilai thresholding yang ditentukan melalui input. Thresholding atau pengambangan merupakan metode yang bisa digunakan dalam segmentasi dalam pengolahan citra digital atau bisa juga pemisahan antara derau dalam pengolahan isyarat 1 dimensi atau juga 2 dimensi.
6. Ekstraksi Ciri
Ekstraksi ciri adalah tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dikenali/dibedakan dengan objek lainnya. Ciri yang telah diekstrak kemudian digunakan sebagai parameter/nilai input untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi/klasifikasi. Ekstraksi ciri merupakan
langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berhubungan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Karakteristik umum yang digunakan untuk mengenali satu atau beberapa objek di dalam citra adalah ukuran, posisi atau lokasi, dan orientasi atau sudut kemiringan objek terhadap garis patokan yang digunakan. Salah satu metode yang digunakan pada ekstraksi ciri adalah ekstraksi ciri statistik orde pertama. Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra.
Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri statistik orde pertama dalam laporan ini yaitu rata-rata (mean) dan standar deviasi.
1. Mean (µ)
Menunjukkan ukuran dispersi dari suatu citra seperti persamaan. Rumusnya adalah: 𝜇 = ∑ 𝑓𝑛 𝑝(𝑓𝑛)
Keterangan: 𝑓𝑛 merupakan suatu nilai intensitas keabuan, sementara 𝑝(𝑓𝑛) menunjukkan nilai histogramnya (probabilitas kemunculan intensitas tersebut pada citra).
2. Standar Deviasi (𝜎)
Standar deviasi adalah akar kuadrat dari total selisih dengan nilai rata-ratanya. Standar Deviasi adalah salah satu teknik statistik yang digunakan untuk menjelaskan homogenitas kelompok. Jadi ini sebagai variasi sebaran data, makin kecil sebarannya berarti variasi nilai data makin sama. Akan didapat jumlah ukuran yang detail. Nilai standar deviasi dari sebuah citra ada perhitungannya. Rumusnya adalah:
Keterangan: 𝜎 merupakan nilai standar deviasi,𝑁 merupakam jumlah total piksel, 𝑋𝑖 menunjukkan nilai piksel pada posisi ke-I dan µ merupakan nilai rata-rata piksel dalam citra.
HASIL DAN PEMBAHASAN
1. Kebutuhan Sistem
Perangkat lunak yang kami gunakan untuk pengerjaan ini yaitu: 1). Sistem Operasi Microsoft Windows 10 Version 10.0.19042 Build 19042 x-64, 2). Sistem Operasi Android Version 10 QP1A.190711.020, 3). Microsoft Office Word 2019, 4). Fiji ImageJ, 5). Adobe Photoshop CC 2019.
Perangkat keras yang kami gunakan yaitu: 1). Laptop HP 14s-fq0xxx OS i5 dengan tipe sistem x64 dan prosessor AMD Ryzen 5 4500U Radeon Graphics 2). Smartphone Redmi 9A MIUI Version 12.0.4.0 (QCDIDXM), 3). Iphone X. Pada intinya, kami menggunakan hanya 2 hardware ini, laptop untuk menganalisis dan menguji gambar, sedangkan smartphone untuk mengambil gambar secara fisik. Adapun settings yang kami tentukan pada pengambilan foto daging sapi melalui smartphone adalah dengan tipe lensa kamera 13 MP dengan jarak capture 5 cm – 25 cm (mode pro). 2. Rancangan Analisis
Kami berencana memulai analisis dengan 2 software, yaitu Fiji ImageJ dan Adobe Photoshop CC 2019. Yang pertama menggunakan Fiji ImageJ terlebih dahulu. Tahap dimulai dengan beberapa foto atau citra yang akan kami kumpulkan berdasarkan kriteria baik dan buruk dengan ekstensi .jpg dimana telah diambil 7 sampel data citra daging sapi yang dipilih untuk pengujian analisis yang akan digunakan sebagai parameter. Citra daging sapi dengan format .jpg dikonversi menjadi citra grayscale (aras keabuan), selanjutnya citra dikonversi ke citra grayscale (aras keabuan) ekualisasi histogram sebagai pra-pengolahan citra untuk meningkatkan akurasi ketepatan dari sampel citra daging sapi. Terakhir citra dikonversi ke segmentasi citra thresholding.
Setelah itu kami gunakan software kedua yaitu Adobe Photoshop CC 2019. Tahap dimulai dari input foto asli melalui file-open, kemudian untuk mengolah menjadi grayscale lakukan duplicate layer foto asli untuk uji coba dan backup, baru kemudian pilih tools image-adjustments-black and white. Dari sini, kami akan menentukan preset maximum black karena netral (semua RGBs dan filter pada posisi 0%). Setelah itu klik ok. Selanjutnya baru alihkan menjadi grayscale dengan cara tools image-mode-grayscale. Setelah itu kami convert ke ekualisasi histogram dengan cara klik tools
image-adjustments-equalize. Dari ekualisasi histogram yang didapatkan hasilnya tanpa ada pengaturan preset, terakhir kami lakukan convert ke threshold dengan cara klik tools image-adjusments-threshold. Akan muncul gambar seperti grafik, pastikan untuk tidak perlu diotak-atik sehingga threshold levelnya yang ada pada kami sebesar 128. Sampai sini telah selesai analisisnya, dan selanjutnya dibandingkan dengan Fiji ImageJ. (Catatan: disarankan untuk duplicate layer dan namakan layer dengan tahap tiap convert agar tak menghilangkan komposisi gambar yang telah diatur secara bertahap).
(Gambar 1 dan 2. estimasi diagram tahapan sistem pemrosesan di Fiji ImageJ (kiri) dan Adobe Photoshop CC 2019 (kanan))
(created by diaw.exe app)
1. Hasil olahan input foto/citra a). Foto/citra asli
Kami menginput foto dengan format citra RGB (24 bit) berekstensi .jpg, ditunjukkan gambar 2: (contoh kami memfoto daging giling sapi)
b). Foto/citra grayscale
Citra asli yang dikonversikan menjadi grayscale dengan format 8 bit berekstensi .jpg, dapat ditunjukkan seperti gambar 3:
c). Foto/citra ekualisasi histogram
Citra grayscale dikonversi ke citra ekualisasi histogram 8 bit (process-enhance contrast-equalize histogram) dengan ekstensi .jpg, dapat ditunjukkan seperti gambar 4:
d). Foto/citra thresholding
Ini dimuat sebagai input program dengan format citra RGB berekstensi .jpg dan usai convert-an ekualisasi, dapat ditunjukkan seperti gambar 5:
3. Penentuan Parameter Kualitas Foto Daging Sapi
A. Penentuan parameter tahap 1 adalah tahapan untuk menentukan penilaian kualitas daging sapi. Pada tahap ini penilaian kualitas dilakukan secara subjektif dari warna yang dilakukan berdasarkan sumber dari BSN (Badan Standardisasi Nasional) mengenai mutu karkas dan daging sapi (SNI 3932:2008). Penentuan parameter diukur dari warna daging, warna lemak, dan juga marbling. Terbagi menjadi 3 tingkatan mutu daging yang dapat ditunjukkan pada tabel 1 di bawah:
(Tabel 1. tingkatan mutu daging)
Sementara itu. penilaian warna daging ditentukan dengan melihat warna permukaan otot mata rusuk dengan bantuan cahaya senter dalam hal ini kami menggunakan flashlight HP dan mencocokkannya dengan 9 standar warna. Nilai skor warna ditentukan berdasarkan skor standar warna yang paling sesuai dengan warna daging. Standar warna daging terdiri atas 9 skor mulai merah muda hingga merah tua.
Gambar 6. standar warna daging sapi
Berdasarkan Hex/eyedropper tool dari Photoshop, warna di atas dapat diklasifikasikan:
No Jenis uji Persyaratan mutu
I II III
1 warna daging merah terang skor 1-5 merah kegelapan skor 6-7 merah gelap skor 8-9 2 warna lemak putih skor 1-3 putih kekuningan skor 4-6 kuning skor 7-9
3 marbling skor 9-12 skor 5-8 skor 1-4
1 2 3 4 5 6 7 8 9
Sementara itu, penilaian warna lemak dilakukan dengan melihat warna lemak subkutis (lapisan terdalam dari kulit) dengan bantuan cahaya senter juga dalam hal ini yaitu flashlight HP dan mencocokkannya dengan standar warna. Nilai skor warna ditentukan berbasis skor standar warna yang paling sesuai dengan warna lemak. Sama seperti standar warna daging, warna lemak ini terdiri dari 9 skor. Mulai dari warna putih hingga kuning.
Gambar 7. standar warna lemak
Berdasarkan Hex/eyedropper tool dari Photoshop, warna di atas dapat diklasifikasikan:
Terakhir, penilaian marbling. Marbling adalah lemak putih yang tersebar di dalam otot daging. Semakin banyak sebaran marbling dalam daging maka semakin baik pula kualitas daging tersebut, begitu pun sebaliknya. Penilaian dilakukan dengan melihat intensitas marbling pada permukaan otot mata rusuk dengan bantuan flashlight HP dan mencocokkannya dengan standar marbling. Sejauh ini belum ditemukan cara menentukan penilaian marbling berdasarkan nilai statistik ekstraksi ciri. Nilai skor marbling ditentukan berdasarkan skor standar marbling yang paling sesuai dengan intensitas marbling otot mata rusuk. Standar marbling terdiri atas 12 skor mulai dari praktis tidak ada marbling hingga banyak. Dapat ditunjukkan dengan gambar di bawah:
1 2 3 4 5 6 7 8 9
Gambar 8. standar marbling
B. Penentuan parameter tahap 2 adalah tahapan untuk menerapkan parameter kualitas daging yang telah didapat dari tahap 1. Penentuan dilakukan pada 7 sampel data foto/citra yang telah dipilih sebelumnya secara random. Sampel-sampel tersebut ditentukan berdasarkan warna daging dan warna lemak. Berikut ini contoh sampel data citra dari 20 data citra yang diujikan ditunjukkan pada tabel 2 di bawah:
(Tabel 2. hasil pengamatan subjektif sampel data citra)
Data Foto/citra
Skor warna daging
Foto/citra dengan fokus lemak subkutis
(HP flashlighted) Skor warna lemak Mutu 1 3 3 I 2 2 4 II
3 3 1 I 4 1 3 I 5 8 3 III 6 8 5 III 7 6 4 II
4. Perbandingan Statistik Foto/Citra
Merupakan tahapan dalam penelitian setelah menentukan parameter kualitas citra daging. Tahap ini akan memaparkan ekstraksi ciri atau analisis citra daging sapi serta compare hasil analisis Fiji ImageJ dengan Adobe Photoshop CC 2019. 7 sampel data citra daging sapi yang sudah ditentukan kualitasnya, selanjutnya masing-masing diproses atau diolah citra, dimana setelah citra terkonversi ke grayscale – ekualisasi histogram – thresholding. Berikut hasil deteksi foto/citra menggunakan Fiji ImageJ yang ditunjukkan pada tabel 3, dan Adobe Photoshop CC 2019 pada tabel 4:
(Tabel 3. hasil analisis menggunakan Fiji ImageJ)
Data Foto/citra
Foto/citra olahan
(thresholding) Mean (1 decimal) Standar deviasi
1 155,6 62,8 2 138,3 67,5 3 123,4 62,6 4 140,4 62,4 5 96,2 123,6 6 171,6 79,0 7 150,3 73,7
(Tabel 4. hasil analisis menggunakan Adobe Photoshop CC 2019)
Data Foto/citra Foto/citra olahan (thresholding) Mean (1-2 decimal) Standar deviasi 1 129,65 117,88 2 128,20 122,80 3 126,17 116,62 4 128,44 124,05 5 127,64 127,50 6 128,01 125,25 7 129,00 127,49
Berdasarkan hasil uji coba menggunakan aplikasi Fiji ImageJ (Tabel 3) dan software Adobe Photoshop CC 2019 (Tabel 4) dengan menggunakan proses pengolahan yang sama, dapat dihasilkan output nilai statistik yang berbeda. Masing-masing memiliki keunggulan dan kelemahan dalam proses pengukurannya. Faktor-faktor yang mempengaruhi perbedaan ukuran mereka diantaranya:
1). Hasil dari proses pengolahan citra segmentasi thresholding antara aplikasi Fiji ImageJ dan software Adobe Photoshop CC 2019 terlihat citra yang dihasilkannya memiliki ketebalan hitam (black thickness) yang berbeda. Pada aplikasi Fiji ImageJ, citra yang dihasilkan kurang hitam daripada yang dihasilkan aplikasi Adobe Photoshop CC 2019.
2). Pada penghitungan nilai statistik di aplikasi Fiji ImageJ, latar belakang (background) terlihat tidak ikut dihitung, hanya benar-benar citra dagingnya saja yang dihitung. Sedangkan pada software Adobe Photoshop CC 2019, latar belakang (background) terdapat 1 foto/citra yang ikut dihitung.
Faktor tersebut membuat citra thresholding yang merupakan citra pengolahan terakhir hasilnya juga berbeda. Hal tersebut mempengaruhi nilai statistik dari citra tersebut dan mengakibatkan hasil yang berbeda. Dari hasil yang didapat, pada akhirnya juga akan mempengaruhi akurasi ketepatan baca untuk menentukan daging berkualitas baik atau buruk. Untuk menentukan akurasi ketepatan baca, digunakan formulasi atau rumus yang ditunjukkan dengan persamaan berikut ini:
Akurasi ketepatan baca dari masing-masing aplikasi/software dapat ditunjukkan sebagai berikut:
a. Fiji ImageJ Image Processing
Sampel data citra daging sapi dibagi sesuai kualitas mutu yang dihasilkan. Pada setiap kualitas mutu, diambil nilai maksimal dan minimal dari perhitungan statistik yang sudah dihasilkan sebelumnya. Dari hasil tersebut didapatkan range nilai statistik dari masing-masing kualitas mutu daging yang ditunjukkan pada tabel 5.
(Tabel 5. range mean dan standar deviasi setiap mutu daging sapi –ImageJ)
Pada hasil kalkulasi dipastikan tidak didapatkan nilai statistik yang menyimpang dan masuk dalam range daging sapi kualitas mutu lainnya:
Akurasi yang dihasilkan menggunakan aplikasi/software Fiji ImageJ ini memiliki ketepatan baca kualitas daging sebesar 100%.
b. Adobe Photoshop CC 2019
Sampel data citra daging sapi dibagi sesuai kualitas mutu yang dihasilkan. Pada setiap kualitas mutu, diambil nilai maksimal dan minimal dari perhitungan statistik yang sudah dihasilkan sebelumnya. Dari hasil tersebut didapatkan range nilai statistik dari masing-masing kualitas mutu daging yang ditunjukkan pada tabel 6. (Tabel 6. range mean dan standar deviasi setiap mutu daging sapi –Photoshop)
Pada hasil kalkulasi didapatkan 3 (tiga) nilai statistik daging sapi yaitu:
a). 1 kualitas buruk menyimpang masuk dalam range daging kualitas sedang, b). 1 kualitas sedang menyimpang masuk dalam range daging kualitas baik, c). 1 kualitas baik menyimpang masuk dalam range daging kualitas sedang. (Data 6, Data 2, dan Data 4). Penentuan akurasi dapat dihitung:
Akurasi yang dihasilkan menggunakan aplikasi/software Adobe Photoshop CC 2019 ini memiliki ketepatan baca kualitas daging sebesar 57,15%.
0 7 * 100% – 100% Akurasi = = 100% – 0% = 100% 3 7 Akurasi = 100% – * 100% = 100% – 42.85% = 57.15% Mutu Daging Range
Mean Standar Deviasi
I 123,4 – 155,6 62,4 – 62,8 II 138,3 – 150,3 67,5 – 73,7 III m < 96,2 dan m > 171,6 79,00 < Sd < 123,6 Mutu Daging Range
Mean Standar Deviasi
I 126,17 – 129,65 116,62 – 124,05
II 128,20 – 129,00 122,80 – 127,49
PENUTUP
A. Kesimpulan
Berdasarkan hasil pengujian dan analisis yang kami lakukan, maka dapat disimpulkan sebagai berikut:
1. Aplikasi Fiji ImageJ dan Adobe Photoshop CC 2019 yang dibuat pada laporan ini dapat mengolah citra dari sampel data citra atau gambar dengan menggunakan proses pengolahan citra ekualisasi histogram dan thresholding (perlakuan sama).
2. Segmentasi thresholding secara signifikan dapat digunakan untuk mengetahui kualitas daging sehingga dapat digunakan untuk mengidentifikasi.
3. Penentuan parameter kualitas berhasil menentukan citra dengan kualitas daging baik, sedang (rata-rata), dan buruk yang dibuat berdasarkan pendekatan warna daging, warna lemak, dan marbling 7 sampel daging sapi.
4. Hasil perbandingan antara aplikasi Fiji ImageJ dengan Adobe Photoshop CC 2019 ditentukan berdasarkan nilai statistik mean dan standar deviasi melalui pengukuran dari histogram masing-masing.
5. Perhitungan yang didapatkan aplikasi Fiji ImageJ memiliki akurasi ketepatan baca kualitas daging sapi sebesar 100% (lebih besar) dari akurasi ketepatan baca kualitas daging berdasarkan software Adobe Photoshop CC 2019 sebesar 57,15% (lebih kecil).
B. Saran
Berdasarkan pengujian dan analisis terhadap sistem pendeteksi kualitas daging sapi dengan ekualisasi histogram dan thresholding ini, kami memberikan beberapa saran untuk pengembangan analisis di masa yang akan datang:
1. Penentuan parameter kualitas daging hanya dengan menggunakan pendekatan warna daging sapi masih kurang akurat. Dibutuhkan cara lain untuk penentuan yang lebih akurat.
2. Memperluas dan apabila memungkinkan untuk dapat menambahkan parameter kualitas citra daging sapi lebih dari 3 (tiga) agar pengguna mampu melihat hasil yang lebih spesifik daripada hanya foto/citra data mutu I, II, dan III.
3. Perlu perhitungan nilai statistik yang lain untuk mengukur keakuratan dari hasil laporan kami yang dibangun seperti nilai statistik skewness, kurtosis, center of mass, integrated density, centroid, dan software atau tools lainnya selain Fiji ImageJ dan Adobe Photoshop CC 2019 (misalnya mikroskop yang bisa digunakan pada software dan fisik), serta pada nilai statistik orde kedua (seperti pada probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu).
DAFTAR PUSTAKA
Herlambang, Anggit Sri, Oky Dwi Nurhayati, and Kurniawan Teguh Martono. "Sistem pendeteksi kualitas daging dengan ekualisasi histogram dan thresholding berbasis Android." Jurnal Teknologi dan Sistem Komputer 4.2 (2016): 404-413.
Falah, Rismawan Fajril, Oky Dwi Nurhayati, and Kurniawan Teguh Martono. "Aplikasi Pendeteksi Kualitas Daging Menggunakan Segmentasi Region of Interest Berbasis Mobile." Jurnal Teknologi dan Sistem Komputer 4.2 (2016): 333-343.
Nurhayati, Oky Dwi. "PERBANDINGAN METODE SEGMENTASI OTOMATIS REGION OF INTEREST DAN K-MEAN CLUSTERING PADA APLIKASI DETEKSI KUALITAS DAGING SAPI BERBASIS MOBILE." Jurnal Sistem Komputer 10.1 (2020): 35-41.
BSN Indonesia (Badan Standardisasi Nasional), “Mutu Karkas dan Daging Sapi”, SNI:3932:2008, 2008.
Puspetasari, KJUB. 2021. “ https://pakanternaknutrifeed.co.id/artikel/mutu-karkas-dan-daging-
sapi-yang-sesuai-sni/#:~:text=Warna%20daging%20merah%20terang%20dengan,12%20dengan%20teks
tur%20yang%20halus.&text=8%2C%20tekstur%20sedang-,Golongan%20III.,1%2D4%2C%20tekstur%20kasar”, diakses pada 25 April 2021 pukul
17.12.
ImageJ, Fiji. 2012. “https://imagej.nih.gov/ij/docs/menus/analyze.html”, diakses pada 26 April
2021 pukul 21.04.
Ramadhani, Deddy. 2020. “https://sinauternak.com/cara-membedakan-kualitas-daging-sapi/”,
diakses pada 27 April 2021 pukul 20.51.
Pamungkas, Adi. 2018. “ https://pemrogramanmatlab.com/pengolahan-citra-digital/ekstraksi-ciri-citra-digital/”, diakses pada 27 April 2021 pukul 14.32.
