SKRIPSI IDENTIFIKASI DAGING SAPI DAN DAGING BABI MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR CLASSIFIER

SKRIPSI

IDENTIFIKASI DAGING SAPI DAN DAGING BABI

MENGGUNAKAN FITUR EKSTRAKSI GREY LEVEL

CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR

CLASSIFIER

BEEF AND PORK IDENTIFICATION USING FEATURE

EXTRACTION OF GREY LEVEL

CO-OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR

CLASSIFIER

Diajukan Untuk Memenuhi Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik Informatika

Disusun Oleh :

Nama

: Ferry Anggriawan Susanto

NIM

: A11.2011.06083

Program Studi

: Teknik Informatika – S1

FAKULTAS ILMU KOMPUTER

UNIVERSITAS DIAN NUSWANTORO

ii

2015

PERSETUJUAN SKRIPSI

Nama : Ferry Anggriawan Susanto

NIM : A11.2011.06083

Program Studi : Teknik Informatika

Fakultas : Ilmu Komputer

Judul Tugas Akhir : Identifikasi Daging Sapi dan Daging Babi Menggunakan Fitur Ekstraksi GLCM dan K-NN Classifier

Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 7 Juli 2015

Menyetujui: Mengetahui:

Pembimbing Dekan Fakultas Ilmu Komputer

iii

HALAMAN PENGESAHAN DEWAN PENGUJI

Nama Pelaksana : Ferry Anggriawan Susanto

NIM : A11.2011.06083

Program Studi : Teknik Informatika Fakultas : Ilmu Komputer

Judul Tugas Akhir : Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level Co-Occurrence Matrix Dan

K-Nearest Neighbor Classifier

Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 5 maret 2015. Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom)

Semarang, 7 Juli 2015 Dewan Penguji :

Hanny Haryanto, S.Kom, M.T Anggota 1

Aisyatul Karima, M.CS Anggota 2

DR Pulung Nurtantio Andono S.T, M.Kom Ketua Penguji

iv

PERNYATAAN

KEASLIAN SKRIPSI

Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya :

Nama : Ferry Anggriawan Susanto NIM : A11.2011.06083

Menyatakan bahwa karya ilmiah saya yang berjudul :

Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi

Grey Level Co-Occurrence Matrix Dan K-Nearest Neighbor Classifier

Merupakan karya asli saya (kecuali ringkasan dan cuplikan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Semarang Pada tanggal : 7 Juli 2015

Yang menyatakan

v

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya:

Nama : Ferry Anggriawan Susanto NIM : A11.2011.06083

Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Ekskusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul: Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi Grey Level

Co-Occurrence Matrix Dan K-Nearest Neighbor Classifier Classifier. beserta

perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan / mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis / pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.

Demikian surat pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Semarang Pada tanggal : 7 Juli 2015 Yang menyatakan

vi

UCAPAN TERIMA KASIH

Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “Identifikasi Daging Sapi Dan Daging Babi Menggunakan Fitur Ekstraksi

Grey Level Co-Occurrence Matrix Dan K-Nearest Neighbor Classifier” dapat

penulis selesaikan sesuai rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada : 1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro

Semarang.

2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fasilkom Universitas Dian Nuswantoro.

3. Dr. Heru Agus Santoso, Ph.D , selaku Ka.Progdi Teknik Informatika- S1. 4. Catur Supriyanto, M.CS, selaku pembimbing tugas akhir yang memberikan ide

penelitian, dan selalu sabar memberikan bimbingan.

5. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengetahuannya masing-masing.

6. Orang tua penulis tercinta Edy Susanto dan Tri Wulandari Susilaningrum, tak lupa adik - adik penulis Ivan Setyawan Susanto dan Alvian Kurniawan Susanto yang telah memotivasi penulis dalam pembuatan laporan Tugas Akhir ini. 7. Teman – teman matrikulasi A11.4108, yang telah banyak memberikan bantuan

dan semangat.

8. Pihak-pihak yang telah banyak membantu penulis, yang tidak dapat penulis sebutkan namanya satu-persatu.

Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau.

Semarang,20 Mei 2015

vii

ABSTRAK

Harga daging sapi selalu mengalami peningkatan dari waktu ke waktu, hal ini disebabkan oleh banyak faktor terutama naiknya harga BBM serta mahalnya sapi hidup dan juga karena pasokan daging sapi yang semakin berkurang. Namun diperkirakan konsumsi daging sapi sapi akan selalu mengalami peningkatan. Karena semakin membaiknya perekonomian masyarakat Indonesia. Selain itu daging sapi adalah komoditas yang paling diminati dibandingkan dagingkan daging hewan lainya karena tingginya protein dan pengolahan daging yang lebih beragam. Tetapi semakin meningkatnya konsumsi daging sapi di Indonesia ini justru memberikan celah kepada pihak-pihak tertentu untuk meraup keuntungan lebih dengan cara curang. Salah satunya adalah dengan mengoplosnya dengan daging babi. Melihat masalah yang ada, maka dari itu dalam penelitian kali ini penulis ingin mengidentifikasi daging sapi dan daging babi dengan menggunakan fitur ektraksi

Gray level co-occurrence matrix (GLCM) dengan metode klasifikasi K-Nearest Neighbor (K-NN) Classifier. Tahap penelitian dimulai dengan pengumpulan citra

daging sapi dan daging babi. Selanjutnya akan diekstrakasi fitur dengan menggunakan fitur GLCM. Tahap berikutnya adalah melakukan klasifikasi antara citra latih dan citra uji dengan menggunakan K-Nearest Neighbor (K-NN)

Classifier. Hasil klasifikasi tersebut akan dihitung tingkat akurasinya. Serta

Membandingkan hasil akurasi dengan mengubah arah sudut pada GLCM dan Jumlah K pada K-Nearest Neighbor (K-NN) Classifier.

Kata Kunci : Daging, Gray level co-occurrence matrix (GLCM), K-Nearest

viii

DAFTAR ISI

PERSETUJUAN SKRIPSI ... ii

HALAMAN PENGESAHAN DEWAN PENGUJI ... iii

PERNYATAAN ... iv

KEASLIAN SKRIPSI ... iv

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... v

UCAPAN TERIMA KASIH ... vi

ABSTRAK ... vii

DAFTAR ISI ... viii

DAFTAR TABEL ... xi

DAFTAR GAMBAR ... xii

BAB I ... 1 PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Batasan Masalah ... 3 1.5 Manfaat Penelitian ... 4 BAB II ... 5 TINJAUAN PUSTAKA ... 5 2.1 Penelitian Terkait ... 5

2.1.1 GLCM Textural Features For Brain Tumor Classification ... 5

2.1.2 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) ... 5

ix 2.2.1 Daging ... 6 2.2.2 Tekstur ... 6 2.2.3 Analisis Tekstur ... 7 2.2.4 Citra ... 8 2.2.5 Piksel ... 9 2.2.6 Citra RGB ... 9 2.2.7 Citra Grayscale ... 10

2.2.8 Pengolahan Citra Digital ... 11

2.2.9 Preprocessing ... 11

2.2.10 Orde Statistik ... 13

2.2.11 Matriks Kookurensi ... 14

2.2.12 Gray Level Co-occurrence Matrix (GLCM) ... 15

2.2.13 K-Nearest Neighbor ... 20 2.2.14 Perhitungan Akurasi ... 25 2.2.15 Kerangka Pemikiran ... 25 BAB III ... 27 METODE PENELITIAN ... 27 3.1 Instrumen Penelitian ... 27

3.1.1 Komponen Perangkat Lunak ... 27

3.1.2 Kebutuhan Perangkat Keras ... 27

3.2 Metode Pengumpulan Data ... 27

3.2.1 Jenis Data ... 27

3.2.2 Sumber Data ... 28

3.2.3 Teknik Pengumpulan Data ... 28

x

3.2.5 Persiapan Pengolahan Citra ... 29

3.2.6 Preprocessing ... 30

3.2.7 Pengolahan Citra ... 30

BAB IV ... 32

ANALISIS HASIL PENELITIAN DAN PEMBAHASAN ... 32

4.1 Kebutuhan Data Citra ... 32

4.2 Persiapan Pengolahan Citra ... 32

4.3 Pengolahan Citra ... 34

4.3.1 Merubah Citra Menjadi Grayscale ... 34

4.3.2 Membentuk Matriks Ko-okurensi ... 35

4.3.3 Melakukan Ekstrkasi Fitur ... 37

4.3.4 Melakukan Klasifikasi Dengan K-NN ... 45

4.3.4 Menghitung Akurasi ... 47

BAB V ... 51

KESIMPULAN DAN SARAN ... 51

5.1 Kesimpulan ... 51

5.2 Saran ... 51

xi

DAFTAR TABEL

Tabel 2.1 Area kerja matriks ... 17

Tabel 2.2 Normalisasi matrik dengan probabilatitas ... 20

Tabel 2.3 Nilai hasil ektraksi fitur GLCM ... 24

Tabel 2.4 Urutan jarak citra training dengan citra testing ... 25

Tabel 2.5 Jarak citra mayoritas beserta kelasnya ... 25

Tabel 3.1 Skenario Percobaan ... 32

Tabel 4.1 Area kerja matriks ... 37

Tabel 4.2 Nilai matriks probabilitas ... 38

Tabel 4.3 Hasil perhitungan contrast ... 39

Tabel 4.4 Hasil perhitungan 𝜇_𝑖 ... 40

Tabel 4.5 Hasil perhitungan 𝜇_𝐽 ... 41

Tabel 4.6 Hasil perhitungan 𝜎_𝑖 ... 42

Tabel 4.7 Hasil perhitungan 𝜎_𝑗 ... 43

Tabel 4.8 Hasil perhitungan energy ... 44

Tabel 4.9 Hasil perhitungan homogeneity ... 45

Tabel 4.10 Nilai hasil ektraksi fitur GLCM ... 46

Tabel 4.11 Urutan jarak citra training dengan citra testing ... 47

Tabel 4.12 Jarak citra mayoritas beserta kelasnya ... 47

Tabel 4.13 Hasil perhitungan homogeneity ... 48

xii

DAFTAR GAMBAR

Gambar 2.1 Citra RGB [12] ... 10

Gambar 2.2 Intensitas nilai citra grayscale ... 10

Gambar 2.3 Citra grayscale [12] ... 10

Gambar 2.4 Hubungan ketetanggan antar piksel dan jarak spasial... 14

Gambar 2.5 Arak sudut GLCM [12] ... 14

Gambar 2.6 Hubungan spasial antara piksel dengan piksel tetangga ... 18

Gambar 2.7 Arsitektur skema kerangka pemikiran ... 26

Gambar 3.1 Metode yang diusulkan ... 29

Gambar 4.1 Citra daging sapi sebelum dilakukan croping ... 32

Gambar 4.2 Citra daging babi sebelum dilakukan croping ... 33

Gambar 4.3 Citra daging sapi setelah croping ... 34

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Harga daging sapi semakin hari selalu mengalami peningkatan terutama pada bulan Ramadhan dan hari raya Idul Fitri, hal ini disebabkan karena harga sapi hidup yang semakin melonjak dan jumlah pasokan daging yang semakin berkurang, selain itu juga karena kenaikan harga BBM yang terus mengalami peningkatan. Namun demikian diperkirakan konsumsi daging sapi akan terus mengalami peningkatan tiap tahunnya seiring dengan membaiknya perekonomian masyarakat Indonesia. Apalagi komoditas daging sapi adalah yang paling diminati dibandingkan daging lain seperti daging kambing, kerbau, dan babi. Tingginya protein dalam daging sapi serta pengolahan daging yang lebih beraneka ragam membuat konsumsi daging sapi terus meningkat [1]. Meningkatnya konsumsi daging sapi tersebut memberikan celah kepada pihak – pihak tertentu untuk meraup keuntungan yang lebih besar. Salah satunya dengan cara curang yaitu dengan menjual daging sapi yang dioplos dengan daging babi. Karena harga daging babi yang relatif lebih murah dari pada daging sapi. Juga karena secara kasat mata kedua perbedaan daging tersebut hampir sama dan terlebih tidak banyak orang yang mengetahui perbedaan kedua daging tersebut. Hal ini akan sangat merugikan pembeli terutama para pembeli di pasar tradisional.

Selama ini identifikasi atau pengenalan daging hanya dilakukan secara manual dengan indera pengelihatan manusia.Cara ini memiliki banyak kelemahan karena kemampuan manusia yang tidak konsisten, adanya perbedaan persepsi masing – masing pengamat, selain itu juga membutuhkan waktu yang lama.

Bahkan dalam melakukan sidak pada pasar Badan Karantina Pertanian pun masih melakukanya secara manual dengan cara pengecekan satu persatu dan daging yang dicurigai akan diambil sample untuk diteliti di lab [2]. Cara ini akan memakan waktu yang terlalu lama karena membutuhkan dua kali

kerja. Apalagi jika jumlah daging yang relatif banyak. Data Badan Karantina Pertanian menunjukkan jumlah temuan daging sapi oplosan terus meningkat. Selama enam bulan terakhir ditemukan 16 kali penyelundupan dengan volume 30.786 kilogram daging babi pada tahun 2014 ini sampai dengan bulan Juli 2014. Angka ini lebih tinggi dari temuan di sepanjang tahun 2013 yang mencapai 11 kali dengan volume 11.848 kg [3].

Oleh karena itu perlu dibuat sistem yang dapat membantu mengenali dan mengklasifikasi daging sapi dan daging babi, salah satunya adalah dengan pengolahan citra digital, dengan pengolahan citra dapat membuat komputer untuk bisa mengenali benda – benda seperti layaknya manusia. Untuk membedakan daging sapi dan daging babi bisa dilakukan analisa melalui warna dan tekstur, daging babi memiliki warna yang relatif lebih cerah dari pada daging sapi. Tetapi ada beberapa bagian daging sapi yang menyerupai warna daging sapi. Maka dari itu cara membedakan yang lebih akurat adalah melalui tekstur daging, daging babi memiliki tekstur lebih halus dari pada daging sapi, sedangkan daging sapi memiliki tekstur dan serat yang kasar [4]. Dari analisis tersebut penulis memilih tekstur sebagai ciri pembeda antara kedua daging, ada beberapa metode untuk membedakan tekstur salah satunya adalah metode ekstraksi ciri Grey Level

Co-occurrence Matrix GLCM. Matriks kookurensi dari data citra aras keabuan Gray Level Co-Occurrence Matrix GLCM adalah salah satu metode untuk

memperoleh ciri-ciri citra tekstur dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan arah tertentu. Adapun parameter atau ciri-ciri tekstur yang didapat dari metode Grey Level

Co-occurrence Matrix GLCM diantaranya adalah energi, homogenitas,

kontras, korelasi [5]. Hasil ekstraksi ciri tersebut kemudian digunakan untuk proses klasifikasi dengan menggunakan metode K-Nearest Neighbor

3

1.2 Rumusan Masalah

Dari latar belakang diatas, maka rumusan masalah dapat dituliskan sebgai berikut:

1. Bagaimana mengimplementasikan ektraksi fitur Grey Level

Co-occurrence Matrix (GLCM) dan K-Nearest Neighbor (K-NN) Classifier

untuk mengidentifikasi daging sapi dan daging babi.

2. Berapa besar akurasi dalam pengenalan citra daging sapi dan daging babi dengan ekstraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan K-Nearest Neighbor (K-NN) Classifier untuk mengklasifikasi daging sapi dan daging babi.

1.3 Batasan Masalah

Agar masalah yang dibahas terarah dan tidak menyimpang dari judul dan tujuan sebenarnya, maka masalah yang dibahas dibatasi pada hal – hal berikut :

1. Identifikasi dan pengujian hanya dilakukan pada daging sapi dan daging babi segar.

2. Mengimplementasikan algoritma Grey Level Co-occurrence Matrix

(GLCM) sebagai ektraksi ciri dan metode K-Nearest Neighbor (K-NN) Classifier untuk pengklasifikasi daging sapi dan daging babi.

3. Dataset yang digunakan adalah citra daging sapi dan daging babi berjumlah 120 citra sampel dengan rincian 40 citra latih daging sapi, 40 citra latih daging babi dan 20 citra uji daging sapi, 20 citra uji daging babi.

4. Bahasa pemrograman yang digunakan menggunakan tools Matlab R2012a.

1.4 Tujuan Penelitian

Berdasarkan rumusan di atas ujuan penelitian adalah sebagai berikut : 1. mengimplementasikan algoritma Grey Level Co-occurrence Matrix

(GLCM) sebagai ektraksi ciri dan K-Nearest Neighbor (K-NN) Classifier untuk mengklasifikasi daging sapi dan daging babi.

2. Mengetahui berapa akurasi yang didapat dari ektraksi fitur Grey Level

Co-occurrence Matrix (GLCM) dan metode K-Nearest Neighbor (K-NN) Classifier dalam mengidentifikasi dan mengklasifikasi daging sapi

dan daging babi.. 1.5 Manfaat Penelitian

Adapun manfaat yang diharapkan dapat diperoleh dari penelitian ini nantinya adalah :

1. Bagi penulis

a. Sebagai sarana untuk menerapkan ilmu yang telah diperoleh selama berada di bangku perkuliahan

b. Menambah pemahaman bidang pengolahan citra digital terutama ektraksi fitur Grey Level Co-occurrence Matrix (GLCM) dan metode K-Nearest Neighbor (K-NN) Classifier.

2. Bagi Masyarakat

Hasil penelitian diharapkan bisa bisa dikembangkan untuk membantu mengidentifikasi daging secara cepat dan tepat.

3. Bagi Akademik

a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi terhadap teori yang diajukan.

b. Sebagai bahan referensi bagi mereka yang mengadakan penelitian untuk dikembangkan lebih lanjut dengan permasalahan yang berbeda.

c. Sebagai bahan evaluasi akademik untuk meningkatkan mutu pendidikan.

5

BAB II

TINJAUAN PUSTAKA

2.1 Penelitian Terkait

2.1.1 GLCM Textural Features For Brain Tumor Classification Penelitian ini ditulis oleh Nitish Zulpe dan Vrushsen Pawar menyatakan bahwa dalam penelitianya penulis mengelompokan empat kelas tumor yang berbeda seperti Astrocytoma Meningioma, Metastatic

bronchogenic carcinoma dan Sarcoma. Menghasilkan akurasi sebesar

97,5%. Dari hasil tersebut dapat disimpulkan bahwa GLCM cukup baik dalam pengenalan tekstur [6].

2.1.2 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray

Level Cooccurence Matrix (GLCM)

Penelitian kedua berjudul “Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)”. Yang ditulis oleh Refta Listia dan Agus Harjoko. Dalam penelitian ini dijelaskan penulis mengklasifikasikan citra mammogram kanker payudara ke dalam tiga kelas yaitu kelas normal, kelas tumor jinak, dan kelas tumor ganas. Dengan menggunakan ektraksi fitur GLCM yaitu kontras, energy, entropi, korelasi serta jarak (d=1) menghasilkan akurasi sebesar 81,1 %. [7].

2.1.3 Analisis Tekstur Citra Anatomi Stomata Untuk Klasifikasi Freycinetia Menggunakan K-Nearest Neighbor

Penelitiaan ketiga berjudul “Analisis Tekstur Citra Anatomi Stomata Untuk Klasfikasi Freycinetia Menggunakan K-Nearest Neighbor”. Ditulis oleh Arie Qur’ ania, Aji Hamim Wigena, dan Aziz Kustiyo. Penelitian ini menggunakan citra anatomi stomata yang dianalisis berdasarkan tekstur. Dan mengklasifikasaikannya kedalam 4 kelas

yaitu Freycineta Angustifolia, Freycinetia Imbricate, Freycinetia

Javanica, dan Freycinetia Sumatrana. Hasil penelitian menghasilkan

akurasi sebesar 86,46% untuk nilai fitur tanpa proses transformasi data dan 94,79% untuk nilai fitur dengan proses trnasformasi data. Dari penelitian ini bisa disimpulkan bahwa hasil klasifikasi dari analisis tekstur K-NN tergolong mempunyai akurasi tinggi yaitu sebesar 94,79% [8].

2.2 Tinjauan Pustaka 2.2.1 Daging

Daging adalah jaringan otot, jaringan lemak, jaringan ikat, tulang dan tulang rawan merupakan komponen fisik utama pada daging. Jaringan otot yang terdiri dari jaringan otot licin, jaringan otot bergaris melintang, dan jaringan otot spesial. Berbeda dengan jaringan otot, jaringan lemak pada daging dibedakan menurut lokasinya, diantaranya adalah lemak subkutan, lemak intermuskular, lemak intramuskular, dan lemak intraselular. Jaringan ikat yang penting adalah serabut kolagen, serabut elastin, dan serabut retikulin [9]. Secara garis besar struktur daging terdiri atas satu atau lebih otot yang masing-masing disusun oleh banyak kumpulan otot, maka serabut otot merupakan unit dasar struktur daging. Di sekeliling otot daging terdapat seberkas jaringan penghubung epimisium, yang melekat di antara otot dan membaginya menjadi sekumpulan berkas otot yang terdiri dari serat-serat yang berdiri sendiri.Serat-serat ini panjangnya beberapa sentimeter, tetapi garis tengahnya sekitar 10 – 100 μm. Serat-serat ini dikelilingi oleh suatu selubung yang dinamakan sarkolema, yang tersusun dari protein dan lemak.

2.2.2 Tekstur

Tekstur adalah konsep intuitif yang mendeskripsikan tentang sifat kehalusan, kekasaran, dan keteraturan dalam suatu daerah / wilayah.

7

Dalam pengolahan citra digital, tekstur didefinisikan distribusi spasial dari derajat keabuan di dalam sekumpulan piksel yang bertetangga. Jadi secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture element-texel) [10]. Syarat-syarat terbentuknya suatu tekstur antara lain :

1. Adanya pola-pola primitif yang terdiri dari satu piksel atau lebih. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan, dan lain-lain yang merupakan elemen dasar dari sebuah tekstur.

2. Pola-pola primitif tersebut muncul berulang-ulang dengan interval dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya. Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda.Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak, seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tepat dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis.

2.2.3 Analisis Tekstur

Analisis tekstur merupakan dasar dari berbagai macam aplikasi, aplikasi dari analisis tekstur antara lain : penginderaan jarak jauh, pencitraan medis, identifikasi kualitas suatu bahan (kayu, kulit, tekstil, dan lain-lain), dan juga berbagai macam aplikasi lainnya [10]. Pada analisis citra, pengukuran tekstur dikategorikan menjadi lima kategori utama yaitu :

1. Statistis, Pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi, metode ini berdasar pada frekuensi ruang. Contoh metode statistis adalah fungsi autokorelasi, matriks ko-okurensi, transformasi Fourier, frekuensi tepi.

2. Struktural, Teknik struktural berkaitan dengan penyusunan bagianbagian terkecil suatu citra. Contoh metode struktural adalah model fraktal.

3. Geometri, Metode geometri berdasar atas perangkat geometri yang ada pada elemen tekstur.

4. Model dasar, Contoh metode model dasar adalah medan acak. 5. Pengolahan sinyal, metode pengolahan sinyal adalah metode yang

berdasarkan analisis frekuensi seperti transformasi Gabor dan transformasi wavelet.

2.2.4 Citra

Citra merupakan representasi (gambaran) kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data optik berupa foto, bersifat analog berupa sinyal – sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan [11]. Pengambilan citra bisa dilakukan oleh kamera atau alat lain yang bisa digunakan untuk mentransfer gambar. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh berbagai faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis dengan bentuk aslinya. Faktor-faktor tersebut merupakan efek degradasi atau penurunan kualitas yang dapat berupa rentang kontras benda yang terlalu sempit atau terlalu lebar, distorsi, kekaburan (blur), kekaburan akibat objek citra yang bergerak (motion blur), gangguan yang disebabkan oleh interferensi peralatan pembuat citra, baik itu berupa

9

2.2.5 Piksel

Sebuah citra yang disimpan kedalam sebuah komputer digital harus disimpan kedalam format yang dapat diolah oleh sebuah program komuter digital. Yaitu dengan cara membagi citra kedalam sekumpulan sel – sel diskret yang disebut piksel. Piksel ini sendiri adalah sebuah kisi – kisi persegi yang kecil. Selanjutnya setiap piksel diberi nilai sesuai dengan nilai kecerahan warna piksel itus endiri. Atau sering juga disebut intensitas piksel [5].

2.2.6 Citra RGB

Setiap titik pad layar berisi angka yang menunjukan nomor dari warna yang dipilih, dimana pada tiap titik dapat dipilih sebanyak 256 warnaa. Jika suatu citra memiliki 256 warna, maka fungsi – fungsi yang dimiliki oleh pengolahan citra tidak dapat dilakukan secara langsung. Hal ini karena citra tersebut tidak memiliki tingkat kecerahan tertentu. Sedangkan masing – masing palette warna tabel memiliki tiga buah kombinasi angka, yaitu R (red), G (green), dan B (blue) yang memnentukan posisi dari warna merah, hijau dan biru. Dengan demikian diketahui bahwa dalam suatu piksel akan diwakili dengan 3

byte memori yang masing – masing terdiri dari 1 byte unutk warna

Gambar 2.1 : Citra RGB [12] 2.2.7 Citra Grayscale

Citra grayscale adalah citra digital yang setiap pikselnya merupakan piksel tunggal yaitu informasi insensitas. Citra ini terbentuk hsnys dsri warna abu – abu pada tingkat yang berbeda – beda mulai dari warna hitam pada tingkat terendah hingga intensitas tertinggi.

11

Gambar 2.3 : Citra grayscale [12]

2.2.8 Pengolahan Citra Digital

Dalam buku [11], citra adalah representasi (gambaran), kemiripan, atau imitasi gambaran dari suatu objek. Citra dibagi menjadi dua yaitu citra analog dan citra digital, citra analog memiliki sifat kontinu seperti gambar yang terdapat dalam televisi, foto yang tercetak dalam kertas, lukisan,dan hasil CT scan. Citra analog tidak bisa direpresentasikan pada computer sehingga computer tidak bisa mengolah sebuah citra analog. Sedangkan citra digital adalah citra yang dapat diolah oleh computer. Sebuah citra digital terdiri dari sejumlah angka yang berhingga yang di definisikan sebagai nilai intensitas, karena yang di simpan dan di baca oleh memori adalah berupa angka yang membentuk sebuah citra digital.

2.2.9 Preprocessing

Preprocessing adalah tahapan dimana gambar diberikan peningkatan kualitas citra(image enhancement). Tujuan utama dari peningkatan citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik dari citra asli untuk aplikasi tertentu.

Beberapa proses peningkatan kualitas citra digital adalah [10]: 1. Operasi negasi (Invers)

Operasi negasi dipakai untyk mendapatkan citra negatif, seperti film(negatif) dari hasil cetak foto.

2. Kecerahan (Brightness)

Operasi brightness digunakan untuk mengontrol nilai warna citra agar diperoleh tingkat kecerahan sesuai yang diinginkan.

3. Kontras (Contrast)

Kontras adalah tingkat penyebaran piksel-piksel ke dalam intensitas warna.

4. Operasi ambang batas (Thresholding)

Thresholding merupakan proses mengubah citra grayscale menjadi citra biner dengan syarat memenuhi nilai ambang batas, pixel yang dibawah nilai ini menjadi warna hitam, sedangkan piksel yang diatas warna ini akan menjadi warna putih.

𝑓₀(𝑥, 𝑦) = { 0, 𝑓𝑖(𝑥, 𝑦) < 128

255, 𝑓_𝑖(𝑥, 𝑦) ≥ 128 (2.1)

Pixel-pixel yang nilai intensitasnya dibawah 128 diubah menjadi hitam(nilai intensitas=0), sedangkan pixel-pixel yang nilainya diatas 128 diubah menjadi putih(nilai intensitasnya=255) .

13

5. Citra Aras Keabuan (Grayscale)

Konversi citra berwarna RGB ke citra keabuan adalah dengan cara memberikan nilai bobot yang berbeda-beda pada setiap komponen RGB, seperti berdasarkan persamaan berikut ini [13].

Gray = (0.5 x R) + (0.5 x G) + (0.5 x B) (2.2)

Dengan :

R : Nilai intensitas Merah G : Nilai intensitas hijau B: Nilai intensitas biru

2.2.10 Orde Statistik

Berdasarkan orde statistiknya, analisis tekstur dapat dikategorikan menjadi 3 jenis, yaitu [13]:

1. Statistik satu merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra, dengan mengabaikan hubungan antar piksel tetangga. Analisa tekstur orde satu lebih baik dalam merepresentasikan tekstur citra dalam parameter-parameter terukur, seperti mean, skewness,

variance, kurtosis dan Entropy.

2. Statistik dua yaitu dengan mempertimbangkan hubungan antara dua piksel (piksel yang bertetangga) pada citra. Untuk kebutuhan analisanya, analisis tekstur orde dua memerlukan bantuan matriks kookurensi (matrix co-occurence) untuk citra keabuan, biasanya disebut GLCM. Analisa tekstur orde dua lebih baik dalam merepresentasikan tekstur citra dalam parameter-parameter terukur, seperti kontras, korelasi, homogenitas, entropi, dan energi.

3. Statistik tiga dan statistik yang lebih tinggi, mempertimbangkan hubungan antara tiga atau lebih piksel, hal ini secara teoritis memungkinkan tetapi belum biasa diterapkan.

Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan antar citra. Pada kasus seperti ini, membutuhkan pengambilan ciri statistik orde dua. Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.

2.2.11 Matriks Kookurensi

Matriks kookurensi merupakan suatu matriks anatara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial. Matriks kookurensi merupakan matriks berukuran L x L dimana L merupakan banyaknya tingkat keabuan, dengan elemen P(𝑥1, 𝑥2) yang merupakan distribusi probabilitas bersama (join probability distribution) dari pasangan titik-titik dengan tingkat keabuan 𝑥1 yang berlokasi pada koordinat (j, k) dengan 𝑥2 yang berlokasi pada koordinat (m, n). Koordinat pasangan titik-titik tersebut berjarak r dengan sudut 𝜃 [13].

15

2.2.12 Gray Level Co-occurrence Matrix (GLCM)

Gray Level Co-occurence Matric adalah suatu matriks yang elemen-elemennya merupakan jumlah pasangan piksel yang memiliki tingkat kecerahan tertentu, di mana pasangan piksel itu terpisah dengan jarak d, dan dengan suatu sudut inklinasi θ. Dengan kata lain, matriks kookurensi adalah probabilitas munculnya gray level i dan j dari dua piksel yang terpisah pada jarak d dan sudut θ. Suatu piksel yang bertetanggaan memiliki d diantara keduanya, dapat terletak didelapan arah yang berlainan, hal ini ditunjukan gambar 2.4.

Gambar 2.4 : Hubungan ketetanggaan antar piksel dan jarak spasial [10] Arah piksel tetangga untuk mewakili jarak dapat dipilih, misalnya 135o_, 90 o_{, 45} o_{, 0} o _{atau, seperti yang diilustrasikan pada gambar 2.}

Dibawah ini contoh perhitungan GLCM dengan image grayscale 4×4 dengan derajat keabuan antara 0 sampai 255. Matriks kookurensi akan dihitung dengan nilai d=1 dan θ=0o. Jumlah frekuensi munculnya pasangan (i,j) dihitung untuk keseluruhan matriks [13].

[ 15 20 85 85 18 20 100 90 30 175 175 200 180 180 250 251 ] Piksel Image I

1. Normalisasi, yaitu proses mengubah rentang nilai intensitas pixel. Dengan rumus min max normalization:

𝐼_𝑁 = (𝐼 − 𝑀𝑖𝑛)𝑛𝑒𝑤𝑀𝑎𝑥−𝑛𝑒𝑤𝑀𝑖𝑛

𝑀𝑎𝑥−𝑀𝑖𝑛 + 𝑛𝑒𝑤𝑀𝑖𝑛

Dimana :

I = nilai piksel

Max = nilai maksimal variabel I Min = nilai minimum variabel I newMax = nilai baru maksimal newMin= nilai baru minimum

Dari kasus diatas nilai piksel grayscale 0 sampai 255 akan diubah nilai rentangnya menjadi empat aras keabuan dengan min 0 dan max 3. Hasilnya seperti dibawah ini:

[ 15 20 85 85 18 20 100 90 30 175 175 200 180 180 250 251 ]  [ 0 0 1 1 0 0 1 1 0 2 2 2 2 2 3 3 ]

Piksel image I Matrik I

17

2. Membuat area kerja matriks.

Karena matriks I memiliki empat aras keabuan, maka jumlah nilai piksel tetangga dan nilai piksel referensi pada area kerja matriks berjumlah empat. Berikut adalah area kerja matriks.

Tabel 1.1 Area kerja matriks

Nilai piksel tetangga

Nilai piksel referensi

0 1 2 3

0 0,0 0,1 0,2 0,3

1 1,0 1,1 1,2 1,3

2 2,0 2,1 2,2 2,3

3 3,0 3,1 3,2 3,2

3. Menentukan hubungan spasial antara piksel referensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d.

4. Menghitung jumlah kookurensi dan mengisikannya pada area kerja.

Hubungan spasial untuk d=1 dan θ=0o _{pada matriks diatas dapat}

dituliskan dalam matriks berikut.

Gambar 2.6 : Hubungan spasial antara piksel dengan piksel tetangga

Sudut orientasi menentukan arah hubungan tetangga dari piksel-piksel referensi, orientasi θ=0o _{berarti acuan dalam arah horizontal}

atau sumbu x positif dari piksel-piksel referensi. Acuan sudut berlawanan arah jarum jam. Angka 2 pada (0,0) berarti jumlah hubungan pasangan (0,0) pada matriks asal berjumlah 2. Matriks kookurensi yang didapat kemudian ditambahkan dengan matriks transposenya untuk menjadikannya simetris terhadap sumbu diagonal. Menjumlahkan matriks kookurensi dengan transposenya untuk menjadikannya simetris.

[ 2 2 1 0 0 2 0 0 0 0 3 1 0 0 0 1 ] + [ 2 0 0 0 2 2 0 0 1 0 3 0 0 0 1 1 ] = [ 4 2 1 0 2 4 0 0 1 0 6 1 0 0 1 2 ] I + I- = I simetris

19

5. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas.

Tabel 2.2 Normalisasi matrik dengan probabilatitas

4 24 2 24 1 24 0 24  0.1667 0.0833 0.0416 0 2 24 4 24 0 24 0 24 0.0833 0.1667 0 0 1 24 0 24 6 24 1 24 0.0416 0 0.25 0.0416 0 24 0 24 1 24 2 24 0 0 0.0416 0.0833

Matriks yang telah simetris selanjutnya harus dinormalisasi, elemen-elemennya dinyatakan dengan probabilitas. Nilai elemen untuk masing-masing sel dibagi dengan jumlah seluruh elemen spasial.

Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Dalam matrik ko-okurensi, terdapat sebelas ciri tekstur yang dapat diperoleh sari suatu citra yang digunkan sebagai pembeda antara citra tertentu dengan citra yang lainnya.

Fritz Albregtsen memaparkan beberapa jenis ciri tekstur yang dapat diekstraksi dengan matriks kookurensi[20]. Beberapa diantaranya adalah sebagai berikut:

1. Energi (Energy)

menyatakan ukuran konsentrasi pasangan dengan intensitas keabuan tertentu pada matriks.

𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ 𝑃_𝑑2(𝑖, 𝑗)

𝑖,𝑗

Dimana p (i, j) menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

2. Entropi (Entropy)

Menunjukkan ketidakteraturan ukuran bentu.. Entropi mengukur informasi atau pesanyang hilang dari sabuah sinyal tranmisi juga menghitung informasi gambar[21].

𝐸𝑛𝑡𝑟𝑜𝑝𝑖 = ∑ 𝑃_𝑑 (𝑖, 𝑗) log(𝑃_𝑑 (𝑖, 𝑗))

𝑖,𝑗

3. Kontras (Contrast)

merupakan hasil perhitungan yang berkaitan dengan jumlah keberagaman intensitas keabuan dalam citra.

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑ |(𝑖 − 𝑗)|2𝑃𝑑(𝑖, 𝑗) 𝑗 𝑖 (2.6) 4. Homogenitas (Homogenity) 𝐻𝑜𝑚𝑜𝑔𝑒𝑖𝑛𝑖𝑡𝑦 = ∑ 𝑝(𝑖, 𝑗) 1 + |𝑖 − 𝑗| 𝑖,𝑗 (2.7) 5. Korelasi(Correlation)

menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = ∑(𝑖 − 𝜇𝑖)(𝑗 − 𝜇)𝑝(𝑖, 𝑗) 𝜎𝑖𝜎𝑗 𝑖,𝑗 (2.8) 2.2.13 K-Nearest Neighbor

K-Nearest Neighbor (K-NN) adalah algoritma yang termasuk

dalam anggota supervised dimana hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada K-NN. Atau singkatnya algoritma ini mengklasifikasi objek berdasarkan atribut atau training sample. Algoritma ini tidak (2.5)

21

menggunakan pencocokan melainkan hanya berdasarkan memori. Diberikan titik query dan akan ditemukan sejumlah K objek atau diantara klasifikasi dari k objek. Algoritma K-NN menggunakan klasifikasi ketetanggan sebagai nilai prediksi dari query instance yang baru.

K-NN adalah algoritma yang sangat sederhana karena bekerja hanya berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan K-NN-nya.Training sample diroyeksikan ke ruang berdimensi banyak, dimana masing – masing dimensi mempresentasikan fitur dari data. Ruang ini dibagi menjadi bagian – bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada K buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga bisa dihitung berdasarkan

Langkah-langkah klasifikasi K-NN adalah sebgai berikut : 1. Tentukan parameter k, yaitu jumlah tetangga terdekat. 2. Hitung jarak antara citra latih dan citra uji menggunakan

Euclidean Distance, dengan rumus sebagai berikut :

𝑑 = √∑𝑛 (𝑎𝑖 − 𝐴𝑖)2_{+ (𝑏𝑖 − 𝐵𝑖)}2_{+ (𝑐𝑖 − 𝐷𝑖)}2_{+ (𝑑𝑖 − 𝐷𝑖)}2 𝑖=1

Keterangan :

d(a,b) : jarak vektor a dan b

ai adalh fitur ke-i dari vektor b, dan n adalah jumlah. 3. Urutkan jarak tersebut dan tetapkan tetangga terdekat

berdasarkan jarak k minimum.

4. Periksa outuput atau label pada masing-masing kelas tetangga terdekat.

5. Kelompokan citra uji kedalam kelas mayoritas dari tetangga terdekat berdasarkan data citra latih. Contoh perhitungan :

Misal diketahui dua buah citra, citra ini termasuk kedalam citra training dan menambah satu citra untuk diuji (citra 3). Pada penelitian ini ektraksi fitur ysng digunakan adalah 4 ektraksi fitur diantaranya contrast , correlation, energy, dan

homogeneity. Misal didapatakan nilai dari hasil perhitungan dari

fitur ekstraksi GLCM adalah sebgai berikut :

23

Tabel 2.3 : Nilai hasil ektraksi fitur GLCM

Citra Contrast Correlation Energy Homogeneity Kelas

1. 0.0884 0.8298 0.4576 0.9558 Daging Babi

2. 0.0208 0.9556 0.6557 0.9896 Daging Babi

3. 0.4957 0.6664 0.2281 0.8265 Daging Sapi

4. 0.3850 0.6217 0.3156 0.8565 Daging Sapi

5. 0.0551 0.4755 0.8700 0.9755 ?

Sebagai contoh citra 1 sampai dengan citra 4 merupakan citra training. Dan citra 5 adalah citra testing yang akan diklasifikasikan. Langkah pertama yang harus dihitung adalah jarak Euclidean. 1. Menentukan parameter nilai k, atau tetangga terdekatnya. Misal k

= 3.

2. Menhitung jarak Euclidean citra testing dengan semua citra

training.

Jarak Euclidean antara citra 1 dengan citra 5

√∑𝑛 (0.0884 − 0.0551)2_{+ (0.8298 − 0.4755)}2_{+ (0.4576 − 0.8700)}2_{+ (0.9558 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 2 dengan citra 5

√∑𝑛 (0.0208 − 0.0551)2_{+ (0.9556 − 0.4755)}2_{+ (0.6557 − 0.8700)}2_{+ (0.9896 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 3 dengan citra 5

√∑𝑛 (0.4957 − 0.0551)2_{+ (0.6664 − 0.4755)}2_{+ (0.2281 − 0.8700)}2_{+ (0.8265 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 4 dengan citra 5

√∑𝑛 (0.3850 − 0.0551)2_{+ (0.6217 − 0.4755)}2_{+ (0.3156 − 0.8700)}2_{+ (0.8565 − 0.9755)}2 𝑖=1

3. Urutkan hasil perhitungan jarak antar citra berdasarkan jarak k minimum.

Tabel 2.4 : Urutan jarak citra training dengan citra testing.

Jarak citra dengan Citra 5 Rangking Jarak Termasuk ke dalam 3 tetangga terdekat Citra 1 0.297 2 Ya Citra 2 0.2778 1 Ya Citra 3 0.6648 4 Tidak Citra 4 0.4517 3 Ya

4. Periksa kelas pada masing – masing citra training. Tabel 2.5 : Jarak citra mayoritas beserta kelasnya

Jarak citra dengan Citra 5

Rangking Jarak

Termasuk ke dalam

3 tetangga terdekat Kelas

Citra 1 0.297 2 Ya Daging Babi

Citra 2 0.2778 1 Ya Daging Babi

Citra 3 0.6648 4 Tidak -

Citra 4 0.4517 3 Ya Daging Sapi

5. Kelompokan kelas citra training kedalam mayoritas kelas yang terdekat. Dari tabel diatas dapat disimpulkan bahwa Citra 5 termasuk kedalam kelas Daging Babi.

25

2.2.14 Perhitungan Akurasi

Tingkat akurasi adalah tingkat keakuratan jaringan yang telah dibuat dalam mengenali inputan citra yang diberikan sehingga menghasilkan outputan yang benar. Secara matematis tingkat akurasi bisa dihitung dengan rumus sebagai berikut :

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛

× 100

2.2.15 Kerangka Pemikiran

Penelitian ini bertujuan untuk mengetahui seberapa baik ekstraksi fitur menggunakan fitur ekstraksi Gray Level Co-occurrence Matrix dalam identifikasi daging sapi dan daging babi. Berikut adalah gambaran arsitektur skema identifikasi daging sapi dan daging babi

Data Foto Daging Sapi dan Daging Babi

Pre-Processing

Ekstraksi Fitur

Pencocokan Hasil Ekstraksi Fitur

Penghitungan Akurasi

Hasil

Gambar 2.7 Arsitektur skema kerangka pemikiran

Dari gambar arsitektur di atas menunjukan bahwa sumber data utama adalah citra daging sapi dan daging babi, selanjutnya citra tersebut akan dilakukan pre-processing dengan mengubahnya menjadi citra

grayscale. Dan citra tersebut akan di ektraksi fitur menggunakan

Gray Level Co-occurrence Matrix. Selanjutnya hasil ektrkasi fitur akan dilakukan klasifikasi dengan K-Nearest Neighbor (K-NN) dan selanjutnya akan dihitung tingkat akurasinya.

27

BAB III

METODE PENELITIAN

3.1 Instrumen Penelitian

Adapun komponen kebutuhan dalam penelitian ini adalah sebagai berikut : 3.1.1 Komponen Perangkat Lunak

Kebutuhan perangkat lunak yang digunakan dalam penelitian ini antara lain :

1. Sistem Operasi

Sistem operasi yang digunakan dalam penelitian ini adalah Microsoft Windows 8 64-bit

2. Matlab

Software yang digunakan dalam penelitian ini adalah matlab versi R2012a. Digunakan untuk implementasi proses penelitian, mulai dari tahapan preprocessing sampai penghitungan akurasi.

3. Ms. Word

Penulis menggunakan Ms Word 2013 dalam pengerjaan laporan akhir.

3.1.2 Kebutuhan Perangkat Keras

Perangkat keras yang digunakan dalam penelitian ini adalah notebook dengan merk DELL tipe Insiron N 4010, prosesor Intel core(TM ) i3- M 380 CPU @ 2.53GHz, RAM berkapasitas 4096 MB.

3.2 Metode Pengumpulan Data 3.2.1 Jenis Data

Jenis data yang digunakan penulis adalah data kuantitatif, yaitu data berupa angka. Data yang digunakan dalam penelitian ini adalah citra daging sapi dan daging babi. Sebanyak 120 citra dengan rincian 60 citra daging sapi

dan 60 citra daging babi. Sumber data didapat dari berbagai sumber di internet.

3.2.2 Sumber Data

Sumber data yang digunakan dalam penelitian ini adalah data sekunder. Disebut sekunder karena dalam pengambilanya tidak langsung. Melainkan diperoleh dari buku, publikasi jurnal ilmiah, laporan penelitian dari sebuah instansi, dan dari internet sebagai sumber data yang menunjang landasan teori. Karena penulisan tidak menemukan satu sumber yang relevan dari satu sumber. Sehingga penulis memperoleh data dari berbagai sumber di internet.

3.2.3 Teknik Pengumpulan Data

Teknik pengumpulan data pada penelitian ini menggunakan teknik Studi Pustaka (Library Reaserch Method) dalam melakukan pengumpulan datanya. Dan mencari literature dari berbagai sumber tentang daging sapi dan daging babi, ektraksi fitur GLCM dan algoritma K-NN Classifier, dan pemrograman MATLAB yang bersumber dari buku, jurnal, laporan penelitian, dan berbagai sumber lain.

3.2.4 Metode Yang Diusulkan

Dalam penelitian ini secara garis besar, metode yang digunakan adalah sebagai berikut, data yang digunakan adalah citra daging sapi dan daging babi, langkah pertama adalah membagi data menjadi dua bagian, yaitu data training dan data testing. Langkah selanjutnya adalah merubah semua citra kedalam bentuk grayscale, Selanjutnya mengestraksi citra dengan GLCM dan hasil ekstraksi ini akan di klasifikasikan menggunakan K-NN. Dan langkah terakhir sebagai pengujian dilakukan penghitungan akurasi. Berikut skema proses bila digambarkan kedalam bentuk diagram :

29

Gambar 3.1: Metode yang diusulkan 3.2.5 Persiapan Pengolahan Citra

Langkah-langkah persiapan sebelum pengolahan adalah sebagai berikut : 1. Menyiapkan citra daging sapi dan daging babi.

3. Meresize ukuran citra menjadi 250 x 250 piksel.

3.2.6 Preprocessing

Langkah-langkah preprocessing citra adalah sebagai berikut : 1. Menyiapkan citra daging sapi dan daging babi. 2. Menyiapkan citra latih dan citra uji.

3. Meresize ukuran citra menjadi 250 x 250 piksel.

4. Merubah menjadi grayscale dengan 256 derajat keabuan yang merupakan default dari bentuk citra grayscale.

3.2.7 Pengolahan Citra

Setelah mendapatkan citra grayscale 256 derajat keabuan dengan ukuran citra 250 x 250 piksel. Langkah selanjutnya adalah masuk proses pengolahan, dengan tahap sebagai berikut:

a. Normalisasi piksel image grayscale ke matrik bentukan. b. Membuat framework matriks.

c. Menentukan hubungan spasial antara pixel referensi dengan piksel tetangga berupa sudut 0°, 45°, 90°, 135° dan jarak d = 1.

d. Menghitung jumlah co-ocurence dan mengisikannya pada

framework.

e. Menjumlahkan matriks co-occurence dengan transposnya untuk menjadikan simetris.

f. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas. g. Mengambil 4 fiture ekstraksi yaitu Contrast, Correlation, Energy

dan Homogeineity.

h. Mengklasifikasi dengan K-NN Classifier dengan nilai k = 1, 3, 5, 7, 9 dan 9.

i. Menghitung akurasi dan membandingkan akurasi yang didapatkan.

31

Tabel 3.1 : Skenario Percobaan

GLCM K-NN _Jumlah

Data Benar

Jumlah

Data Salah Akurasi Sudut Nilai k 0° 1 …. …. …. 3 …. …. …. 5 …. …. …. 7 …. …. …. 9 …. …. …. 45° 1 …. …. …. 3 …. …. …. 5 …. …. …. 7 …. …. …. 9 …. …. …. 90° 1 …. …. …. 3 …. …. …. 5 …. …. …. 7 …. …. …. 9 …. …. …. 135° 1 …. …. …. 3 …. …. …. 5 …. …. …. 7 …. …. …. 9 …. …. ….

32

Dalam bab ini akan membahas mengenai langkah – langkah implementasi metode penelitian implementasi fitur ekstraksi GLCM dan K-NN Classifier untuk identifikasi daging sapid an daging babi.

4.1 Kebutuhan Data Citra

Data yang digunakan dalam penelitian ini adalah citra foto daging sapi dan daging babi sebanyak 120 citra dengan rincian 60 citra daging sapid an 60 citra daging babi. Selanjutnya data ini dibagi menjadi dua, yaitu data training sebanyak 80 citra dengan rincian 40 citra daging sapi dan 40 citra daging babi. Data kedua yaitu data testing sebanyak 40 citra dengan rincian 20 citra daging sapi dan 20 citra daging babi.

4.2 Persiapan Pengolahan Citra

1. Menyiapkan citra daging sapi dan daging babi

Citra daging memiliki dimensi antara 400 x 400 piksel sampai dengan 3000 x 2500 piksel dengan jenis citra RGB dan melakukan croping untuk

33

Gambar 4.2 : Citra daging babi sebelum dilakukan croping 2. Menyiapkan citra training dan citra testing

Citra dibagi menjadi dua bagian yaitu citra training atau latih dan citra

testing atau citra uji. Data citra keseluruhan berjumlah 120 citra. Dibagi

dengan pembagian sebagai berikut :

 Folder Train berisi 80 citra (40 citra daging sapi dan 40 citra daging babi ).

 Folder Test berisi 40 citra (20 citra daging sapid an 20 citra daging babi ).

3. Menyamakan ukuran citra

Dari ukuran citra yang tidak seragam harus dilakukan penyamaan ukuran citra selain itu agar meringankan kerja sistem. Citra yang sebelumnya berukuran antara 400 x 400 sampai dengan 3000 x 2000 piksel diubah menjadi ukuran 150 x 150 piksel.

Gambar 4.3 : Citra daging sapi setelah dilakukan croping

Gambar 4.4 : itra daging sapi setelah dilakukan croping

4.3 Pengolahan Citra

4.3.1 Merubah Citra Menjadi Grayscale

Ektsraksi fitur GLCM hanya bisa membaca citra berdimensi 2 sedangakan citra yang ada berjenis RGB dengan dimensi 3. Oleh karena itu harus diubah kedalam format grayscale untuk menjadi 2 dimensi. Unutk fungsi ini MATLAB sudah menyeddiakan yaitu dengan menuliskan :

35

I adalah variable penampung citra yang akan diubah kedalam

grsyscale. Sedangkn a adalah variable citra masukan.

Gambar 4.4 : Perbedaan citra RGB sebelum dan sesudah dijadikan

grayscale

4.3.2 Membentuk Matriks Ko-okurensi

Setelah citra diubah dalam bentuk grayscale, langkah selanjutnya adalah membentuk matriks ko-okurensi.

𝐼 = [ 162 170 183 ⋯ 208 179 186 196 ⋯ 205 202 206 211 ⋯ 204 ⋮ ⋮ ⋮ ⋱ 207 184 187 191 124 124]

Misalkan I adalah citra training 1.jpg. Dengan nilai pikes seperti diatas. Akan di normalisasi dengan rumus sebagai berikut :

𝐼𝑖𝑗 = (𝐼 − 𝑚𝑖𝑛)

𝑛𝑒𝑤𝑀𝑎𝑥−𝑛𝑒𝑤𝑀𝑖𝑛 𝑀𝑎𝑥−𝑀𝑖𝑛

+ 𝑛𝑒𝑤𝑀𝑖𝑛

(4.1) 𝐼1,1 = (162 − 0) 8 − 1 255 − 0+ 1 = 6.0823 = 6 𝐼1,2 = (170 − 0) 8 − 1 255 − 0+ 1 = 5.6666 = 6

𝐼1,3 = (183 − 0) 8 − 1 255 − 0+ 1 = 6.0235 = 6 ⋯ 𝐼_250,250 = (124 − 0) 8 − 1 255 − 0+ 1 = 4.4039 = 4

Setelah dinormalisasi masukan hasil perhitungan kedalam matriks sehingga terbentuk matriks seperti dibawah ini :

𝐼 = [ 6 6 6 ⋯ 7 6 6 6 ⋯ 7 7 7 7 ⋯ 7 ⋮ ⋮ ⋮ ⋱ 7 6 6 6 4 4]

Langkah selanjutnya adalah membuat area kerja matriks dengan ketentuan sudut = 0° dan jarak = 1

Tabel 4.1 : Area kerja matriks

P 1 2 3 4 5 6 7 8 1 0 1 0 0 0 0 0 0 2 1 2110 835 3 0 0 0 0 3 0 845 42988 2489 51 0 0 0 4 0 0 2546 7205 357 30 6 0 5 0 0 19 403 558 155 3 0 6 0 0 0 16 167 455 76 0 7 0 0 0 0 4 77 850 0 8 0 0 0 0 0 0 0 0

37

Menghitung probabilitas dengan rumus : Nilai piksel/total nilai piksel.

Contoh : 𝑃1,1 = 0/62250 = 0 𝑃1,2 = 1/62250 = 0.0001 𝑃1,3 = 0/62250 = 0 … 𝑃_8,8 = 0/62250 = 0

Tabel 4.2 : Nilai matriks probabilitas

P 1 2 3 4 5 6 7 8 1 0 0.0001 0 0 0 0 0 0 2 0.0001 0.0339 0.01341 0.0005 0 0 0 0 3 0 0.0136 0.69057 0.03998 0.0008 0 0 0 4 0 0 0.0409 0.11574 0.0057 0.0005 0.0001 0 5 0 0 0.00031 0.00647 0.009 0.0025 0.0005 0 6 0 0 0 0.00026 0.0027 0.0073 0.0012 0 7 0 0 0 0 0.0006 0.0012 0.0137 0 8 0 0 0 0 0 0 0 0

4.3.3 Melakukan Ekstrkasi Fitur

Langkah terakhir dalam algoritma GLCM ini adalha melaukan ektraksi fitur, ektraksi fitur dilakukan pad semua data. Baik critra

training maupun testing. Pada penelitian ini penulis menggunakan

empat ekstrkasi fitur yaitu contrast, correlation, energy, dan

homogeneity. Ektraksi fitur dihitung dengan rumus sebagai berikut :

a. Contrast

CON =

|1 − 1|2 _{0 + |1 − 2|}2 _{0.0001+ … + |4 − 4|}2 _{0.11574 + |4 − 5|}2

0.0057 + … + |8 − 7|2 _{0 + |8 − 8|}2 _{= 0.0899}

Tabel 4.3 : Hasil perhitungan contrast (𝑖 − 𝑗) (𝑖 − 𝑗)2 _{(𝑖 − 𝑗)|}2_{𝑃𝑑(𝑖, 𝑗)} (1,1) 0 0 (2,1) 1 0.0001 ... ... … (6,1) 25 0 (7,1) 36 0 (8,8) 0 0 ∑ ∑ |(𝑖 − 𝑗)|2_{𝑃𝑑(𝑖, 𝑗)} 𝑗 𝑖 0.0899 b. Correlation

𝐶𝑂𝑅 = ∑

(𝑖−𝜇𝑖)(𝑗−𝜇)𝑝(𝑖,𝑗) 𝜎𝑖𝜎𝑗 𝑖,𝑗 (4.3) Menghitung nilai 𝜇𝑖 ∶ 𝜇𝑖 = ∑ ∑ 𝑖 𝑝 (𝑖, 𝑗)_{𝑖 𝑗} (4.4) 𝜇₁ = 1 * ( 0 + 0.0001 + 0 + 0 + 0 + 0 + 0 + 0 + 0) = 0.0001 𝜇₂ = 2 * (0.0001 + 0.0339 + 0.01341 + 0.0005 + 0 + 0 + 0 + 0) = 0.09582

39

…

𝜇8 = 8 * (0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 ) = 0

Tabel 4.4 : Hasil perhitungan 𝜇_𝑖

Baris (i) Hasil (𝜇_𝑖)

1 0.0001 2 0.09582 3 2.23485 4 0.65176 5 0.0939 6 0.06876 7 0.1085 8 0 Jumlah 3.25507 Menghitung nilai 𝜇_𝑗 : 𝜇𝑗 = ∑ ∑ 𝑗 𝑝 (𝑖, 𝑗)_{𝑖 𝑗} (4.5) 𝜇₁ = 1 * ( 0 + 0.0001 + 0 + 0 + 0 + 0 + 0 + 0 + 0) = 0.0001 𝜇₂ = 1 * ( 0.0001 + 0.0339 + 0.0136 + 0 + 0 + 0 + 0 + 0) = 0.09582 … 𝜇₈ = 1 * ( 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0) = 0

Tabel 4.5 : Hasil perhitungan 𝜇𝐽 Kolom (j) Hasil (𝜇_𝐽) 1 0.000 2 0.0952 3 2.23557 4 0.6518 5 0.094 6 0.069 7 0.1085 8 0 Jumlah 3.25507 Menghitung 𝜎𝑖 : 𝜎_𝑖 = √ ∑ (𝑖 − 𝜇𝑖)2_{𝑝(𝑖, 𝑗)} 𝑖,𝑗 (4.6) 𝜎𝑖 = √(1 − 3.25507)2 _{0 + (2 − 3.25507 )}2 _{0.0001 + ⋯ (8 − 3.25507)}2 ₀ = 0.7587951

41

Tabel 4.6 : Hasil perhitungan 𝜎_𝑖

Baris (i) Hasil (σi)

1 0 2 0.000509 3 0 4 0 5 0 6 0 7 0 8 0 … … 35 0.00031 36 0.00647 37 0.009 38 0.0025 39 0.0005 40 0 … … 61 0 62 0 63 0 64 0 ∑(i-μi)(j-μ)p(i, j) σiσj i,j 0.57566 σi 0.75872 Menghitung 𝜎_𝑗 : 𝜎𝑗 = √ ∑ (𝑗 − 𝜇𝑗)_𝑖,𝑗 2𝑝(𝑖, 𝑗) (4.7)

𝜎_𝑗 =

√(1 − 3.25507)2 _{0 + (2 − 3.25507 )}2 _{0.0001 + ⋯ (8 − 3.25507)}2 ₀

= 0.75872591

Tabel 4.7 : Hasil perhitungan 𝜎_𝑗

Kolom (j) Hasil (σj) 1 0 2 0.000509 3 0 4 0 5 0 6 0 7 0 8 0 … 35 0.002436 36 0.017355 37 0.027403 38 0.008221 39 0.001827 40 0 … … 61 0 62 0 63 0 64 0 ∑(j-μj)2p(i, j) i,j 0.57577

43 σ_{j 0.75879}

𝐶𝑂𝑅 = ∑

(𝑖−𝜇𝑖)(𝑗−𝜇)𝑝(𝑖,𝑗) 𝜎𝑖𝜎𝑗 𝑖,𝑗 (4.8) 𝐶𝑂𝑅 = 0.50655 0.57570 = 0.8799 c. Energy Rumus :

𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ 𝑃

_{𝑖,𝑗 𝑑}2

(𝑖, 𝑗)

(4.9) Menghitung Energy : ENG = 02_{+ 0,0001}2_{+ ⋯ + 0}2 _{+ 0}2 _{= 0.4989}

Tabel 4.8 : Hasil perhitungan energy

E 1 2 3 4 5 6 7 8

1 0 1E-07 0 0 0 0 0 0

2 1E-07 0.001149 0.001798 2.5E-07 0 0 0 0

3 0 0.000185 0.476887 0.001598 6.4E-07 0 0 0

4 0 0 0.001673 0.013396 3.25E-05 2.5E-07 1E-08 0

5 0 0 0.0009 4.23E-05 0.000081 6.25E-06 2.5E-07 0 6 0 0 0 0.0009 7.29E-06 5.33E-05 1.44E-06 0 7 0 0 0 0 3.6E-06 1.44E-06 0.000188 0 8 0 0 0 0 0 0 0 0

d. Homogeneity Rumus :

𝐻𝑂𝑀 = ∑

𝑝(𝑖,𝑗) 1+|𝑖−𝑗| 𝑖,𝑗 (4.10) Menghitung Homogeneity : 𝐻𝑂𝑀 = 0 1 + |1 − 1|+ 0 1|1 − 2|+ ⋯ + 0 1|8 − 8|= 0.935322

Tabel 4.9 : Hasil perhitungan homogeneity

Kolom (j) Hasil 1 0 2 0.00005 3 0 4 0 5 0 6 0 7 0 8 0 … … 35 0.000267 36 0.00285 37 0.009 38 0.00135 39 0.0002 40 0 … … 61 0 62 0 63 0 64 0 Hasil 0.935322

45

4.3.4 Melakukan Klasifikasi Dengan K-NN

Tujuan penelitian ini adalah unutk membedakan dua jenis citra yang berbeda yaitu citra daging sapi dan citra daging babi. Unutk itu setelah dilakukan ektraksi fitur dengan menggunakan fitur ekstraksi GLCM selanjutnya citra harus diklasifikasi unutk bisa membedakan kedua jenis citra. Dalam penelitian ini penulis menggunakan K-NN. Yaitu metode klasifikasi berdasarkan data pembelajaran yang jaraknya dekat dengan tetangga terdekat (k). Untuk perhitungan jaraknya penulis menggunakan jarak Euclidean.

Proses klasifikasi dilakukan dengan langkah berikut ini :

Misal diketahui dua buah citra, citra ini termasuk kedalam citra training dan menambah satu citra untuk diuji (citra 3). Pada penelitian ini ektraksi fitur ysng digunakan adalah 4 ektraksi fitur diantaranya contrast , correlation, energy, dan homogeneity. Misal didapatakan nilai dari hasil perhitungan dari fitur ekstraksi GLCM adalah sebgai berikut :

Tabel 4.10 : Nilai hasil ektraksi fitur GLCM

Citra Contrast Correlation Energy Homogeneity Kelas

1. 0.0884 0.8298 0.4576 0.9558 Daging Babi

2. 0.0208 0.9556 0.6557 0.9896 Daging Babi

3. 0.4957 0.6664 0.2281 0.8265 Daging Sapi

4. 0.3850 0.6217 0.3156 0.8565 Daging Sapi

Sebagai contoh citra 1 sampai dengan citra 4 merupakan citra training. Dan citra 5 adalah citra testing yang akan diklasifikasikan. Langkah pertama yang harus dihitung adalah jarak Euclidean. 1. Menentukan parameter nilai k, atau tetangga terdekatnya. Misal k

= 3.

2. Menhitung jarak Euclidean citra testing dengan semua citra

training.

Jarak Euclidean antara citra 1 dengan citra 5

√∑𝑛 (0.0884 − 0.0551)2_{+ (0.8298 − 0.4755)}2_{+ (0.4576 − 0.8700)}2_{+ (0.9558 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 2 dengan citra 5

√∑𝑛 (0.0208 − 0.0551)2_{+ (0.9556 − 0.4755)}2_{+ (0.6557 − 0.8700)}2_{+ (0.9896 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 3 dengan citra 5

√∑𝑛 (0.4957 − 0.0551)2_{+ (0.6664 − 0.4755)}2_{+ (0.2281 − 0.8700)}2_{+ (0.8265 − 0.9755)}2 𝑖=1

Jarak Euclidean antara citra 4 dengan citra 5

√∑𝑛 (0.3850 − 0.0551)2_{+ (0.6217 − 0.4755)}2_{+ (0.3156 − 0.8700)}2_{+ (0.8565 − 0.9755)}2 𝑖=1

4. Urutkan hasil perhitungan jarak antar citra berdasarkan jarak k minimum.

47

Tabel 4.11 : Urutan jarak citra training dengan citra testing.

Jarak citra dengan Citra 5 Rangking Jarak Termasuk ke dalam 3 tetangga terdekat Citra 1 0.297 2 Ya Citra 2 0.2778 1 Ya Citra 3 0.6648 4 Tidak Citra 4 0.4517 3 Ya

5. Periksa kelas pada masing – masing citra training.

Tabel 4.12 : Jarak citra mayoritas beserta kelasnya Jarak citra

dengan Citra 5

Rangking Jarak

Termasuk ke dalam

3 tetangga terdekat Kelas

Citra 1 0.297 2 Ya Daging Babi

Citra 2 0.2778 1 Ya Daging Babi

Citra 3 0.6648 4 Tidak -

Citra 4 0.4517 3 Ya Daging Sapi

6. Kelompokan kelas citra training kedalam mayoritas kelas yang terdekat. Dari tabel diatas bisa disimpulkan bahwa Citra 5 termasuk kedalam kelas Daging Babi.

4.3.4 Menghitung Akurasi

Penghitungan akurasi dilakukan untuk menguji sebarapa tinggi pengenalan yang bisa dilakukan untuk mengklasifikasi citra daging sapi dan daging babi.

Berikut hasil klasifikasi dengan fitur ekstraksi GLCM jarak d = 1, dengan 4 sudut pengenalan dengan 5 macam nilai k yang berbeda.

Tabel 4.13 : Hasil pengenalan dan akurasi

Dari tabel diatas terlihat bahwa akurasi tertinggi terjadi saat GLCM menggunakan derajat 0° _{dan K-NN menggunakan nilai k}

sebesar 7 mencapai 90% dengan 40 data testing jumlah data benar sejulah 36 dan data salah sejumlah 4 buah.

GLCM K-NN _{Jumlah Data} Benar Jumlah Data Salah Akurasi Sudut Nilai k 0° 1 31 9 77.5 % 3 32 8 80 % 5 35 5 87.5 % 7 36 4 90 % 9 35 5 87.5 % 45° 1 28 12 70 % 3 30 10 75 % 5 34 6 85 % 7 33 7 82.5 % 9 33 7 82.5 % 90° 1 30 10 75 % 3 29 11 72.5 % 5 32 8 80 % 7 33 7 82.5 % 9 34 6 85 % 135° 1 31 9 77.5 % 3 33 7 82.5 % 5 33 7 82.5 % 7 35 5 87.5 % 9 35 5 87.5 %

49

Berikut ini indeks hasil klasifikasi beserta keteranganya. Tabel 4.14 : Hasil ektraksi ciri dan klasifikasi

Citra Uji

Kelas Citra Hasil Klasifikasi Keterangan 1.jpg 1 1 BENAR 2.jpg 1 1 BENAR 3.jpg 1 1 BENAR 4.jpg 1 1 BENAR 5.jpg 1 1 BENAR 6.jpg 1 1 BENAR 7.jpg 1 1 BENAR 8.jpg 1 1 BENAR 9.jpg 1 1 BENAR 10.jpg 1 1 BENAR 11.jpg 1 1 BENAR 12.jpg 1 1 BENAR 13.jpg 1 1 BENAR 14.jpg 1 1 BENAR 15.jpg 1 2 SALAH 16.jpg 1 1 BENAR 17.jpg 1 2 SALAH 18.jpg 1 1 BENAR 19.jpg 1 1 BENAR 20.jpg 1 2 SALAH

21.jpg 2 2 BENAR 22.jpg 2 2 BENAR 23.jpg 2 2 BENAR 24.jpg 2 2 BENAR 25.jpg 2 2 BENAR 26.jpg 2 2 BENAR 27.jpg 2 2 BENAR 28.jpg 2 2 BENAR 29.jpg 2 2 BENAR 30.jpg 2 2 BENAR 31.jpg 2 2 BENAR 32.jpg 2 2 BENAR 33.jpg 2 2 BENAR 34.jpg 2 2 BENAR 35.jpg 2 2 BENAR 36.jpg 2 2 BENAR 37.jpg 2 2 BENAR 38.jpg 2 2 BENAR 39.jpg 2 2 BENAR 40.jpg 2 1 SALAH

51

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan penelitian yang telah dilakukan oleh penulis, dapat diambil beberapa kesimpulan diantaranya adalah sebagai berikut :

1. Dengan menggunakan fitur ektraksi GLCM dengan empat fitur ektstraksi yaitu Kontras, Korelasi, Energi dan Homogeniti serta metode klasifikasi K-NN mampu membedakan citra daging sapi dan daging babi.

2. Hasil akurasi yang diperoleh dari penelitian ini mencapai 90% dengan menggunakan sudut pengenalan pada GLCM 00 dan nilai k pada K-NN bernilai 7. Sedangkan akurasi terendah adalah sebesar 70% yaitu pada saat GLCM menggunakan sudut 450dan nilai k pada K-NN sebesar 1. Hal ini menunjukan perubahan pada sudut GLCM dan besarnya nilai k pada K-NN akan mempengaruhi besarnya akurasi yang didapatkan.

5.2 Saran

Berdasarkan hasil penelitian ini, saran yang dapat penulis berikan diantaranya adalah sebagai berikut :

1. Sistem dapat dikembangkan menjadi lebih canggih, dengan menambahkan fitur ekstraksi lain ataupun menambah pre-processing untuk meningkatkan akurasi yang didapat.

2. Data yang digunakan diperbanyak baik dari data training maupun testing.

3. Perlu dilakukan pengambilan gambar secara langsung dengan kamera

berresolusi tinggi agar gambar yang dihasilkan lebih jelas dan serat ataupun tekstur daging lebih terlihat jelas.

52

Faktor-Faktor yang Mempengaruhi Impor Daging Sapi di Indonesia, vol. 1,

no. 2, pp. 1-14, Agustus 2012.

[2] D. Reviyanto and D. Reviyanto, Juli 2014. [Online]. Available:

http://www.tempo.co/read/news/2014/07/05/090590557/Satu-Ton-Daging-Celeng-Sudah-Dimusnahkan.

[3] D. Reviyanto and D. Reviyanto, Juli 2014. [Online]. Available: http://www.tempo.co/read/news/2014/07/04/058590428/Jawa-Barat-Waspadai-Penjualan-Daging-Celeng-.

[4] D. W. M. D. D. R. M. D. L. D. and D. C. T. , Juli 2014. [Online]. Available: http://ditjennak.pertanian.go.id/berita-452-waspada-terhadap-peredaran-ilegal-daging-celeng.html.

[5] L. T. Wibowo, I. S. and B. S. , "Klasifikasi Kelas Daging Menggunakan Pencirian Matriks Ko-okurensi Aras Keabuan".

[6] N. Zulpe and V. Pawar, "GLCM Textural Features for Brain Tumor Classification," vol. 9, no. 3, pp. 354-359, May 2012.

[7] R. Listia and A. Harjoko, "Klasifikasi Massa pada Citra Mammogram Berdasarkan," vol. 8, pp. 59-68, Januari 2014.

[8] A. Qur'ania, A. H. Wigena and A. Kustiyo, "Analisis Tekstur Citra Anatomi Stomata Untuk Klasifikasi Freycinetia Menggunakan K-Nearest Neighbor," vol. 3, pp. 28-31, 2012.

[9] Kiswanto, "Identifikasi Citra Untuk Mengidentifikasi Jenis Daging Sapi Dengan Transformasi Wevelet Haar," in DIPONEGORO, 2012.