View of Identifikasi Kesegaran Daging Sapi Berdasarkan Jarak Potret Menggunakan Metode Jaringan Syaraf Tiruan

206| Universitas Multi Data Palembang

IDENTIFIKASI KESEGARAN DAGING SAPI BERDASARKAN JARAK POTRET MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN

Michael Lorens¹, Nur Rachmat²

1,2 Program Studi Informatika, Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang

1michaellorens@mhs.mdp.ac.id, ²nur.rachmat@mdp.ac.id

Kata kunci:

daging sapi; local binary pattern; jaringan syaraf tiruan

Abstract: This study raises the topic of identifying the freshness of beef based on portrait distances on fresh beef, not fresh beef, and spoiled beef. The problemxis how to identify the freshness of beef based on portrait distance usingXLocalXBinaryXPatternXfeatureXwith the Artificial Neural Network method. The training data and test data are extracted using thexLocalxBinary Patternxfeaturexandxthen thexArtificialxNeuralxNetworkxis trained using 6 training functions. The portrait distance used is 10xcm, 20xcm, and 30xcm and the number of neurons used is 5, 10, 15, and 20 so that there are 4 different architectures of the Neural Network. Each architecture was tried 3 times so there were 12 trials. Basedxon portrait distance, canXbeXconcludedXthatXa portrait distance of 30 cm using 5 neurons in the hidden layer has the best results in identifying beef freshness. In the calculation of the confusion matrix produces an average overall output that is equal to 100% for accuracy, 100%

for precision, and 100% for recall.

Abstrak: Penelitian ini mengangkat topik mengenai identifikasi kesegaran daging sapi berdasarkan jarak potret pada daging sapi segar, daging sapi tidak segar, dan daging sapi busuk. Permasalahannya adalah bagaimana cara mengidentifikasi kesegaran daging sapi berdasarkan jarak potret menggunakan fiturxLocalxBinaryxPatternxdenganxmetodexJaringan SyarafxTiruan. Data latih dan data uji diekstraksi menggunakan fitur Local Binary Pattern kemudian dilakukan pelatihanxJaringanxSyarafxTiruan menggunakan 6 trainingxfunction. Jarak potret yang digunakan yaitu 10 cm, 20 cm, dan 30 cm dan jumlah neuron yang digunakanxadalahx5,x10,x15,xdan 20xsehinggaxterdapatx4xarsitekturxJaringanxSyarafxTiruanxyangxberbeda.

Tiap arsitektur dicoba sebanyak 3 kali sehingga terdapat 12 percobaan.

Berdasarkan jarak potret dapat disimpulkan bahwa jarak potret 30 cm dengan menggunakan 5 neuron pada hiddenxlayer memperoleh hasilxterbaik dalam mengidentifikasi kesegaran daging sapi. Dalam perhitungan secara confusion matrix menghasilkan rata – rata keseluruhan output yaitu sebesar 100% untuk akurasi, 100% untuk presisi, dan 100% untuk recall.

Lorens & Rachmat. (2023). IdentifikasixKesegaranxDagingxSapixBerdasarkanxJarakxPotretxMenggunakan MetodexJaringanxSyarafxTiruan. MDP Student Conference 2023

PENDAHULUAN

Dagingxsapixmerupakanxsalahxsatuxbahanxpanganxyangxdigemarixolehxmasyarakatxkalanganxmen engahkexatasxmaupunxkexbawah,xkarenaxkandunganxgizixdarixdagingxsapixcukupxlengkap,xsehinggaxdi gemarixolehxberbagaixkalanganx[1].xMenurutxKementerianxKesehatanxRepublikxIndonesia,xdalamx100x

Universitas Multi Data Palembang | 207 gramxdagingxsapixmemilikixkandunganxenergixsebesarx207xkilokalori,xproteinx18.8 gram,xlemak 14 gram,xkalsiumx11xmiligram,xfosforx170xmiligram,xdanxzatxbesix3xmiligram,xselainxituxdi dalam daging sapixmengandungxvitaminxAx30xUI,xvitaminxBxIx0,08xmiligramxdanxvitaminxCx0xmiligram.xDa ging adalah mediaxyang ideal untuk perkembangbiakan mikroorganisme. Hal itu disebabkanxkarena persentase air yangXterkandungXdalamXdagingXsapiXsangatXtinggiX68-75%,XdanXmemilikiXpHX5,3 6,5 yang menguntungkan bagixpertumbuhan suatuxmikroba. Kontaminasi mikroba berbahaya untuk daging sapi, diawali saat sapi masih hidup, dimana mikroba menempel pada permukaan kulit dan rumen.

Kandungan gizi yang cukup tinggi tersebut merupakan media yang ideal bagi pertumbuhan mikroorganisme dan adanya aktivitas enzim, sehingga daging cepat mengalami kerusakan [2]. Bakteri Coliform dan Escherichia coli merupakan bakteri yang sering ditemukan mencemari produk pangan termasuk daging [3].

Bakterixinixdapatxmenyebabkanxpenyakitxdiarexdanxmembahayakanxkesehatanxmanusia.xPenyakitxdiare merupakanxsalahxsatuxpenyakitxyangxseringxditemui hampirxdixseluruhxwilayahxIndonesia.

Di Indonesia harga daging sapi relatif tinggi karena rantai distribusi dari peternak ke konsumen sangat panjang, sehingga biaya untuk membeli daging sapi tinggi [4]. Akibat mahalnya harga daging sapi, sebagian orang mencoba mengacaukan kualitas kesegaran daging sapi dengan mencampurkan daging sapi segar dengan yang tidak segar sehingga merugikan konsumen yang ingin menikmati daging sapi [1].

Penelitian yang dilakukan oleh [5] membahas mengenai Identifikasi Daging Sapi Segar Dan Beku Menggunakan Learning Vector Quantization. Data yang digunakan dalam penelitian ini adalah 70 citra potongan daging sapi dengan ukuran 500 x 500 piksel, dimana 30 citra digunakan sebagai data latih dan 40 citra sebagai data uji. Pada penelitian ini kategori memiliki dua kategori yaitu daging sapi segar dan daging sapi beku. Menggunakan algoritma jaringan syaraf tiruan Learning Vector Quantification (LVQ), akurasi 96,67% dilaporkan untuk parameter dec alpha (dec) 0,75 dan alpha (a) 0,00001 menggunakan data pelatihan dari 15 gambar daging sapi segar dan 15 gambar daging sapi beku.

Penelitian yang dilakukan oleh [6] membahas mengenai Identifikasi Kadar Ikan Pada Pempek Menggunakan Fitur LBP dengan Metode Jaringan Syaraf Tiruan. Pengumpulan data dalam penelitian ini dilakukan dengan mengambil gambar dengan kamera beresolusi 2 MP dengan jarak potret sekitar 15 cm, dipotong menjadi 373 x 373 piksel, dengan 360 data latih dan 240 data uji, terdapat empat tingkatan pempek yang berbeda. Lenjer Jenis rekaman. Ikan dan tepung yaitu 1:1, 1,5:1, 2:1 dan 1:1. Dengan menggunakan algoritma jaringan syaraf tiruan dengan ekstraksi ciri Local Binary Pattern (LBP) diperoleh hasil terbaik yaitu 360 data latih teridentifikasi dan 76 data uji teridentifikasi dan dengan latih dalam dua lapis tersembunyi, nilai latih dx mencapai nilai akurasi sebesar 31,67 %.

Penelitian yang dilakukan oleh [7] membahas mengenai Verifikasi Tulisan Tangan Menggunakan Algoritma Local Binary Pattern (LBP) dan K-Nearest Neighbor (KNN). Dataset yang digunakan dalam penelitian ini menggunakan 1.248 data citra yang terdiri dari 988 citra latih dan 260 citra uji. Hasil penelitian ini didasarkan pada pola biner lokal dan verifikasi tulisan tangan tetangga terdekat. Akurasi pengenalan tertinggi dicapai dengan K = 22, 84,29%.

Perbandingan karakteristik pada daging sapi segar dan tidak segar dapat diketahui oleh orang awam melalui warna dan tekstur pada daging sapi dapat juga diketahui melalui media elektronik yaitu kecerdasan buatan. Pada penelitian terdahulu yang dilakukan oleh [1] mengenai Identifikasi Kesegaran Daging Sapi Berdasarkan Citranya Dengan Ekstraksi Fitur Warna dan Teksturnya Menggunakan Metode Gray Level Co- occurrence Matrix (GLCM). Pengambilan data citra dilakukan dengan cara merekam dengan kamera Android dengan resolusi kamera 5 megapiksel dan jarak pengambilan gambar 5-7 cm, 52 citra sebagai data latih dan 23 citra sebagai data uji. Pada penelitian ini, dengan menggunakanxalgoritmaxJaringan SarafxTiruan dan Gray LevelxCo-ocurrencexMatrix (GLCM), tingkat keberhasilan akurasi adalah 87,50%.

Berdasarkan uraian diatas, pengenalan daging sapi masih sulit menggunakan cara manual, cara yang dapat digunakan dengan teknologi pengolahan citra. Padaxpenelitianxkalixini, penulis menggunakanxJaringan SyarafxTiruanxdenganxfitur ekstraksi ciri Local Binary Pattern untuk mengidentifikasi kesegaran daging sapi.

208 | Universitas Multi Data Palembang

METODE

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai Jaringan Syaraf Biologis (JSB) Jaringan Syaraf Tiruan (JST) tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (Human Cognition) [8]. Pada Gambarx1 diperlihatkan arsitektur JaringanxSyarafxTiruan dengan input sebanyak X1, ..., X59, hidden layer dilambangkan dengan Z1, ..., Z5 dan output dilambangkan dengan Y1, Y2, dan Y3.

Gambarx1.xArsitekturxJaringanxSyarafxTiruan

Local Binary Pattern

Menurut [9] Local Binary Pattern (LBP) adalah operator tekstur sederhana namun sangat efisien yang melabeli piksel gambar dengan membatasi lingkungan setiap piksel dan menganggap hasilnya sebagai bilangan biner. Operator LBP asli [10] membentuk label menggunakan area lingkungan 3x3 di sekitar setiap piksel. Piksel pusat dikurangi dari delapan tetangganya. Jika nilai yang dihasilkan negatif, maka bernilai 0, jika tidak maka bernilai 1. Nilai biner pada setiap piksel dikalikan dengan 2ⁿ , n disini merupakan urutan piksel dimulai dari atas sampai kanan bawah dengan urutan 0-7. Operator LBP dapat ditulis menggunakan persamaan berikut:

(1.1)

Universitas Multi Data Palembang | 209 (1.2)

Keterangan:

(P,xR)xmerupakanxtitikxsamplingxPxpadaxradiusxR gp merupakanxnilaixderajatxkeabuanxpadaxpikselxke-p gc merupakanxnilaixderajatxkeabuanxpadaxpikselxtengah Data Citra

Dataxcitraxyangxdigunakanxpadaxpenelitianxinixmenggunakan citra dengan jarak potret kurang lebih 10 cm, jarak potret kurang lebih 20 cm, dan jarak potret kurang lebih 30 cm dengan resolusi kamera 16MP.

Data citraxsudahxmelaluixprosesxpemotonganxcitraxdenganxaplikasixPaintxdenganxukuran 500x500 piksel, dengan 630xdataxlatihxdanx270xdataxuji.xDataxcitraxmemilikix3xjenisxkesegaranxdanx3xmacam jarak potret yang dapat dilihat pada Gambar 2.

(a) Sapi segar 10 cm (b) Sapi tidak segar 10 cm (c) Sapi busuk 10 cm

(d) Sapi segar 20 cm (e) Sapi tidak segar 20 cm (f) Sapi busuk 20 cm

(g) Sapi segar 30 cm (h) Sapi tidak segar 30 cm (i) Sapi busuk 30 cm Gambar 2. Data Citra yang Digunakan

Data citra yang digunakan pada penelitian inixdibagixmenjadixduaxyaituxdataxlatihxdanxdataxuji.

Citraxdataxlatihxyaituxdataxyangxdigunakanxuntukxmenentukanxkelasxyangxcocok.xSedangkanxcitra data ujixadalahxdataxyangxberisixdataxbaruxyangxakanxdiidentifikasixolehxmodelxyangxtelahxdibuatxdan diketahuixnilaixakurasi,xpresisi,xdanxrecall. Data citra dapat dilihat pada Tabel 1.

210 | Universitas Multi Data Palembang

Tabelx1.xDataxLatihxdanxDataxUji

No. Citra Jarak

Potret Data Latih Data Uji

1. Daging Sapi Segar

10 cm 70 30

20 cm 70 30

30 cm 70 30

2. Daging Sapi Tidak Segar

10 cm 70 30

20 cm 70 30

30 cm 70 30

3. Daging Sapi Busuk

10 cm 70 30

20 cm 70 30

30 cm 70 30

Jumlah 630 270

Total keseluruhan citra 900

Ekstraksi Ciri LBP

Pada tahap ini, citraxyangxdipilihxdiubahxkexdalamxbentukxgrayscalexpadaxcitraxlatihxdanxcitra uji, kemudian diekstraksi cirixLBP,xkemudianxhasilxdarixcitraxdigunakanxuntukxprosesxlatih menggunakan metodexJaringanxSyarafxTiruan.

Pelatihan JST

Pada tahap ini, pelatihan menggunakanxmetodexJaringanxSyarafxTiruan terhadap data latih dengan menggunakan nilaixtarget pada dataxlatih yang dapat dilihat pada Tabel 2.

Tabel 2. Nilai Target Data Latih Daging Segar

(1-70)

Daging Tidak Segar (71-140)

Daging Busuk (141-210)

1 0 0

0 1 0

0 0 1

Model Klasifikasi

Pada tahap ini menggunakan hasil pelatihan JST dari masing-masing objek yang telah dipotret sesuai jarak potret terhadap dataxuji.xBerdasarkanxnilaixhasilxekstraksixdataxujixyangxdigunakanxsebanyakx90 citra dilakukan 3 pengujian sehingga menghasilkan 3 model klasifikasi.

Hasil

Perbandingan ini menentukan tingkat akurasi yang paling baik dari jarak potret yang digunakan.

Untuk mengetahui tingkat keberhasilan menggunakan rumus confusion matrix denganxmenghitungxtingkat accuracy, precisionxdanxrecall. Adapunxrumusxyangxakanxdigunakanxuntuk menghitung tingkat akurasi keberhasilan klasifikasixsepertixberikut:

Accuracy

(1)

Precision

(2)

Recall

(3)

Universitas Multi Data Palembang | 211 Keterangan:

TPxadalahxtruexpositivexyaituxjumlahxdataxpositifxyangxterklasifikasixdenganxbenarxolehxsistem.

TNxadalahxtruexnegativexyaituxjumlahxdataxnegatifxyangxterklasifikasixdenganxbenarxolehxsistem.

FPxadalahxfalsexpositivexyaituxjumlahxdataxpositifxnamunxterklasifikasixsalahxolehxsistem.

FNxadalahxfalsexnegativexyaituxjumlahxdataxnegatifxnamunxterklasifikasixsalahxolehxsistem.

Gambarx3.xMetodologixPenelitian

212 | Universitas Multi Data Palembang

HASILDANPEMBAHASAN

Implementasi Ekstraksi Ciri LBP

PadaxprosesximplementasixekstraksixcirixLBPxdilakukanxekstraksixpadaxsemua data latih dan data ujixsetiap tingkat kesegaran daging sapi berdasarkan jarak potret, sehingga ada 6 hasil ekstraksi ciri LBP. Pada Gambar 4 merupakan contoh hasil ekstraksi pada data latih dengan jarak potret 10 cm.

Gambar 4. Hasil Ekstraksi Ciri LBP

Implementasi Model dan Arsitektur Jaringan Syaraf Tiruan

Pada tahap ini, hasil ekstraksi tingkat kesegaran daging sapi berdasarkan jarak potret diberi nama agar JaringanxSyarafxTiruanxdapatxmengenali dataxlatih dan dataxuji. Nilai target pada data latih dapat dilihat pada Tabel 2. Arsitektur yang digunakan input sebanyak 59, singlexhiddenxlayer, menghasilkanx3xoutput yang mewakili tiga jenis kesegaran daging sapi, Training function yang digunakan sebanyak 6. Padaxpenelitianxyangxtelahxdilakukanxoleh [11] menggunakan 17 training function danxjumlahxneuron pada hiddenxlayer adalah 5,x10,xdanx20. Jumlah neuron yang menghasilkan akurasi, presisi, dan recall terbaik yaitu 5 dan 20 neuron. Pada penelitian ini jumlah neuron yang digunakan yaitu 5,x10,x15,xdanx20 sehingga terdapat 4xarsitekturxJaringanxSyarafxTiruanxyang berbeda.

Hasil Pengujian Berdasarkan Jarak Potret

Universitas Multi Data Palembang | 213 Tabel 3. Hasil Pengujian Berdasarkan Jarak Potret

No Jarak Potret Training Function 5 Neuron 10 Neuron 15 Neuron 20 Neuron

Rata-Rata Acc Prec Rec Acc Prec Rec Acc Prec Rec Acc Prec Rec

1

10 cm

Traingdm 100 100 100 100 100 100 99 99 97 100 100 100 99

2 Traingda 100 100 100 100 100 100 100 100 100 100 100 100 100

3 Traingdx 100 100 100 100 100 100 100 100 100 100 100 100 100

4 Trainrp 100 100 100 100 100 100 100 100 100 100 100 100 100

5 Trainlm 100 100 100 100 100 100 100 100 100 100 100 100 100

6 Trainoss 100 100 100 100 100 100 100 100 100 99 99 99 99

7

20 cm

Traingdm 100 100 100 100 100 100 100 100 100 100 100 100 100

8 Traingda 100 100 100 100 100 100 100 100 100 100 100 100 100

9 Traingdx 100 100 100 100 100 100 100 100 100 100 100 100 100

10 Trainrp 100 100 100 100 100 100 100 100 100 100 100 100 100

11 Trainlm 100 100 100 100 100 100 100 100 100 100 100 100 100

12 Trainoss 100 100 100 100 100 100 100 100 100 100 100 100 100

13

30 cm

Traingdm 100 100 100 99 99 99 100 100 100 100 100 100 99

14 Traingda 100 100 100 100 100 100 100 100 100 100 100 100 100

15 Traingdx 100 100 100 100 100 100 100 100 100 100 100 100 100

16 Trainrp 100 100 100 100 100 100 100 100 100 100 100 100 100

17 Trainlm 100 100 100 100 100 100 100 100 100 100 100 100 100

18 Trainoss 100 100 100 100 100 100 100 100 100 100 100 100 100

Berdasarkan Tabel 3 hasil pengujian JST menggunakan jarak potret 10 cm dengan rata-rata akurasi, presisi, dan recall sebesar 99%, pada jarak potret 20 cm dengan rata-rata akurasi, presisi, dan recall sebesar 100%, pada jarak potret 30 cm dengan rata-rata akurasi, presisi, dan recall sebesar 99%.

SIMPULAN

Berdasarkan jarak potret, 6 training function dan hasil ekstraksi ciri Local Binary Pattern sebagai nilai input pada Jaringan Syaraf Tiruan dapat disimpulkan bahwa jarak potret 20 cm denganxmenggunakan 5 neuron pada hiddenxlayer memperoleh hasilxterbaik dalam mengidentifikasi kesegaran daging sapi. Dalam perhitungan secara confusion matrix menghasilkan rata – rata keseluruhan output yaitu sebesar 100% untuk akurasi, 100% untuk presisi, dan 100% untuk recall.

DAFTARPUSTAKA

[1] R. Andrie Asmara, D. Puspotasari, S. Romlah, Q. H, and R. Romario, “Identifikasi Kesegaran Daging Sapi Berdasarkan Citranya Dengan Ekstraksi Fitur Warna dan Teksturnya Menggunakan Metode Gray Level Co-Occurrence Matrix,” Prosiding SENTIA 2017 - Politekntik Negeri Malang, Vol. 9, 2017.

[2] A. Jaelani, S. Dharmawati, and D. Wanda, “Berbagai Lama Penyimpanan Daging Ayam Broiler Segar Dalam Kemasan Plastik pada Lemari Es (Suhu 4c) dan Pengaruhnya Terhadap Sifat Fisik dan Organoleptik,” ZIRAA’AH, Vol. 39, No. 3, pp. 119–128, 2014.

214 | Universitas Multi Data Palembang

[3] N. Fadhilah Ilahi, N. L. Ananta, L. Advinda, and M. Kes, “Kualitas Mikrobiologi Daging Sapi dari Pasar Tradisional,” Prosiding SEMNAS BIO 2021 Universitas Negeri Padang ISBN: 2809-8447, 2021.

[4] Kementerian Perdagangan, “Analisis Faktor-faktor yang Mempengaruhi Harga Eceran Daging Sapi Dalam Negeri,” 2014. Available: http://103.108.241.194/media_content/2017/07/ANALISIS_Faktor- Faktor_Yang_Mempengaruhi_Harga_Domestik_Daging_Sapi.pdf Diakses Tanggal 11 oktober 2022 [5] L. Cahyono and S. Supatman, “Identifikasi Daging Sapi Segar dan Beku Menggunakan Learning

Vector Quantization,” JMAI (Jurnal Multimedia & Artificial Intelligence), Vol. 2, pp. 37–44, Aug.

2018, doi: 10.26486/jmai.v2i2.89.

[6] D. Agustina and Gasim, “Identifikasi Kadar Ikan pada Pempek Menggunakan Fitur LBP Dengan Metode Jaringan Syaraf Tiruan,” Jurnal Algoritme, Vol. 2, No. 2, pp. 145–158, 2022.

[7] T. Jadhav, “Handwritten Signature Verification using Local Binary Pattern Features and KNN,”

International Research Journal of Engineering and Technology, 2019, [Online]. Available:

www.irjet.net

[8] M. Wuryandari Dessy and I. Afrianto, “Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization pada Pengenalan Wajah,” Jurnal Komputer dan Informatika (KOMPUTA), Vol. 1, No. 1, 2012.

[9] M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen, Computer Vision Using Local Binary Patterns, Vol. 40. 2011. doi: 10.1007/978-0-85729-748-8.

[10] T. Ojala, M. Pietikäinen, and D. Harwood, “A Comparative Study of Texture Measures With Classification Based On Featured Distributions,” Pattern Recognit, Vol. 29, No. 1, pp. 51–59, 1996, doi:

[11] M. Ezar Al Rivan., N. Rachmat, and M. R. Ayustin, “Klasifikasi Jenis Kacang-kacangan Berdasarkan Tekstur Menggunakan Jaringan Syaraf Tiruan,” 2020.