View of Identifikasi Kualitas Kerabang Telur Ayam Dengan Ekstraksi Fitur Gray Level Co-Occurrence Matrix

(1)

250| Universitas Multi Data Palembang

IDENTIFIKASI KUALITAS KERABANG TELUR AYAM DENGAN EKSTRAKSI FITUR GRAY LEVEL CO-OCCURRENCE MATRIX

Arifin^1*), & Abdul Rahman²

1,2Program Studi Informatika, Fakultas Ilmu Komputer Dan Rekayasa, Universitas Multi Data P

1[email protected], ²[email protected]

Kata kunci:

Gray Level Co-Occurrence Matrix; Jaringan Syaraf Tiruan;

Telur;

Abstract: Eggs are livestock products with complete nutritional components such as protein, fat, vitamins, and minerals. In addition, eggs are also in great demand by the public because the price is affordable, and there are many available. However, not all eggs are of good quality. So that in this study, the identification of shell quality was carried out where the eggshell quality was divided into three groups, namely Gol 1, Gol 2, and Gol 3. For each portrait distance of 8 cm, 12 cm, and 16 cm, the Gray Level Co-Occurrence Matrix (GLCM) was applied as a feature extraction and Artificial Neural Network (ANN) method. The GLCM extraction results are used as input in the learning process in ANN with training function trainlm. The best accuracy results were achieved at a portrait distance of 12 cm of 44.44%, and the number of recognition test data was 12 out of 27 test data.

Abstrak: Telur merupakan salah satu hasil ternak yang mengandung komponen gizi yang lengkap seperti protein, lemak, vitamin dan mineral. Selain itu, telur juga banyak diminati masyarakat dikarenakan harga nya yang terjangkau dan mempunyai ketersediaan yang cukup banyak. Namun tidak semua telur mempunyai kualitas yang baik, sehingga pada penelitian ini dilakukan identifikasi kualitas kerabang telur dimana kualitas kerabang telur dibagi menjadi tiga golongan yakni Gol 1,Gol 2, dan Gol 3 untuk tiap jarak potret 8 cm, 12 cm dan 16 cm yang kemudian menerapkan Gray Level Co-Occurrence Matrix (GLCM) sebagai ekstraksi fitur dan metode Jaringan Syaraf Tiruan (JST). Hasil dari ekstraksi GLCM dijadikan masukan pada proses pembelajaran pada JST dengan training function trainlm. Hasil akurasi yang paling baik dicapai pada jarak potret 12 cm yaitu sebesar 44.44% dan jumlah pengenalan data uji sebanyak 12 dari 27 data uji.

Arifin & Abdul Rahman. (2023).Identifikasi Kualitas Kerabang Telur Ayam Dengan Ekstraksi Fitur Gray Level Co- Occurrence Matrix. MDP Student Conference 2023

PENDAHULUAN

Telur merupakan salah satu zat gizi hewani yang ekonomis dan mudah dijangkau oleh penduduk Indonesia. Selain itu, telur juga mengandung komponen nutrisi yang lengkap seperti protein, lemak, vitamin

& mineral. Namun, telur juga mudah terdegradasi atau terjadi penurunan mutu telur akibat kontaminasi mikroba, kerusakan eksternal pada telur. Penguapan air dan gas seperti karbon dioksida, amonia, nitrogen, dan hidrogen sulfida dari telur [1]. Telur ayam terdiri dari 3 klasifikasi yaitu Kualitas I dengan kondisi cangkang yang bersih dan tekstur yang halus, Kualitas II dengan kondisi sedikit noda kotor (stain) dan tekstur agak halus serta Kualitas III dengan kondisi banyak noda kotor dan tekstur sedikit kasar [2].

(2)

Universitas Multi Data Palembang | 251 Dalam produksi telur untuk keperluan komersial, pemilahan atau grading telur merupakan salah satu proses penting yang diperlukan untuk mengontrol kualitas telur yang dihasilkan. Pada umumnya, kualitas telur yang bagus mempunyai tekstur permukaan yang halus ketika di raba, berwarna cokelat tua, kulitnya tebal, bersih dari kotoran dan tidak rusak. Selain itu, kualitas telur juga dapat dikenali dari adanya noda darah, kulit yang keriput, dan kulit telur yang pecah-pecah. Oleh karena itu, perlu adanya teknik untuk mendeteksi kualitas kerabang telur [3].

Saat ini, metode yang digunakan untuk menilai kualitas dan kesegaran telur adalah dengan mengamati visual objek telur, seperti kondisi kulit telur, warna kulit telur dan sebagainya. Proses observasi dinilai tidak praktis dan rawan kesalahan. Ini karena penentuan kualitas sangat bergantung pada penilaian pengamat [4].

Berbagai pendekatan yang biasa digunakan untuk analisis tekstur meliputi metode statistik, metode struktural, metode berbasis model, dan metode berbasis transformasi [5]. Salah satu metode statistik yang umum digunakan adalah Gray level co-occurance matrik (GLCM), seperti pada penelitian yang dilakukan untuk analisis tekstur GLCM mempunyai akurasi sebesar 82,5% [6]. Adapun penelitian lainnya memperoleh akurasi sebesar 80,83% dalam ekstraksi tekstur telur retak [7]. Sementara itu pada penelitian yang mengidentifikasi kualitas telur ayam ras berdasarkan kebersihan cangkang telur ayam ras menggunakan jaringan saraf tiruan, akurasi yang didapat sebesar 93,33% [8].

Berdasarkan penjelasan yang telah diuraikan didapatkan bahwa GLCM mempunyai tingkat akurasi yang tinggi, maka pada penelitian ini digunakan GLCM sebagai ekstraksi fitur telur ayam dengan metode Jaringan Syaraf Tiruan untuk tiap jarak potret citra.

METODE

Tahapan-tahapan yang dilakukan untuk menjalani penelitian sampai mendapatkan hasil yang diharapkan dapat dilihat pada Gambar 1. (1) Identifikasi Masalah dan Studi Literatur, Pada tahap ini, penelitian dimulai dengan melakukan identifikasi masalah seperti, penyebab rentannya kesalahan dalam identifikasi kualitas telur karena jumlah telur yang sangat banyak dan apa saja yang mempengaruhi kualitas telur ayam serta mencari hasil penelitian dan referensi yang relevan yang berhubungan dengan ekstraksi fitur glcm atau metode lainnya. (2) Pemisahan Telur dan Pemotretan, Pada tahap ini dilakukan pemisahan untuk telur kualitas I ke gol 1, kualitas 2 ke gol 2 dan kualitas 3 ke gol 3 untuk mencegah kekeliruan. Untuk pemotretan di gunakan handphone dengan resolusi kamera 13MP dengan 3 jarak potret yaitu jarak potret 8 cm, jarak potret 12 cm, dan jarak potret 16 cm pada pencahayaan dengan lampu LED 5 watt. Skema pemotretan ditunjukkan pada Gambar 2. (3) Pemilahan dan Pemotongan citra, Pada tahap ini dilakukan pemilihan terhadap foto yang dipotret dengan tujuan menghindari foto yang blur setelah itu dilakukan pemotongan dengan ukuran 300x300. (4) Pembagian Dataset, Pada tahap ini data di bagi menjadi citra latih dan citra uji dengan perbandingan 70 : 30, dimana untuk tiap jarak potret mempunyai 30 sample citra telur, seperti yang ditampilkan pada Tabel 1.

(3)

252 | Universitas Multi Data Palembang

Gambar 1. Kerangka Kerja Penelitian

Gambar 2. Skema Pemotretan

Identifikasi Masalah

Studi Literatur dan Studi Pustaka

Pemisahan Telur Berdasarkan Kualitas

Pemotretan

Jarak Potret : [8 cm,12 cm ,16 cm]

Pemotongan Citra

Citra Latih

Ektraksi Ciri

Data Latih

Pelatihan JST

Citra Uji

Ektraksi Ciri

Data Uji

Pengujian

Hasil Pengujian

Hasil Pemilahan Citra

Proses GLCM

(4)

Universitas Multi Data Palembang | 253 Tabel 1. Pembagian Data Citra Latih dan Citra Uji

Jarak Golongan Citra Latih Citra Uji Total 8 cm

Gol 1 21 9

90

Gol 2 21 9

Gol 3 21 9

12

Gol 1 21 9

90

Gol 2 21 9

Gol 3 21 9

16

Gol 1 21 9

90

Gol 2 21 9

Gol 3 21 9

Total 189 81 270

Ekstraksi Ciri

Pada tahap ini dilakukan proses ekstraksi ciri menggunakan GLCM. GLCM adalah metode ekstraksi fitur statistik orde kedua untuk memperoleh informasi citra. Beberapa fitur yang disediakan oleh GLCM dijelaskan secara singkat berikut ini[9] : Contrast merupakan nilai intensitas antara piksel dan tetangganya untuk semua piksel pada citra menggunakan persamaan (1).

Contrast = ∑_, _, (1)

Correlation merupakan nilai bagaimana suatu piksel berkorelasi dengan tetangganya untuk semua piksel dalam suatu citra menggunakan persamaan (2).

Correlation = ∑_, (2)

Energy merupakan ukuran yang menunjukan persebaran intensitas piksel dalamskala keabuan seperti pada persamaan (3).

Energy = ∑_, _, (3)

Homogeneity merupakan nilai kedekatan distribusi elemen GLCM dengan diagonal GLCM menggunakan persamaan (4).

Homogeneity = ∑_, ^, (4)

Pelatihan JST dan Pengujian

JST adalah sebuah sistem pengolah data yang mencontoh sistem saraf manusia. Seperti halnya sistem saraf manusia yang terdiri dari neuron, JST juga terdiri dari perceptron (neuron pada JST) sebagai unit pengolah informasi yang menjadi dasar operasi JST. ada dua model arsitektur yaitu model arsitektur JST lapis tunggal (single layer) dan model arsitektur JST lapis banyak (multi layer) diperlihatkan pada Gambar 3.

Pada tahap ini, dilakukan pembangunan model JST agar data latih telur ayam yang telah dilakukan proses ekstraksi ciri dengan GLCM tersebut dikenali dan dapat di lakukan pengujian terhadap data uji yang ada.

(5)

a. Model Arsitektur JST Single Layer b. Model Arsitektur JST Multi Layer Gambar 3. Model Arsitektur JST

HASILDANPEMBAHASAN

Hasil Pengujian pada Jarak Potret 8 cm

Pada jarak potret 8 cm digunakan arsitektur JST yakni masing-masing 15 neuron untuk 3 hidden layer, epoch sebesar 1000, goal sebesar 1 x 10^-6, learning rate sebesar 0.001, didapatkan akurasi sebesar 29.63%

yang ditunjukkan pada Tabel 2.

Tabel 2. Detail Hasil Eksperimen Data Uji Jarak 8 cm

Golongan Jumlah Data Uji Dikenali Tidak dikenali

Gol 1 9 3 6

Gol 2 9 3 6

Gol 3 9 2 7

Total 27 8 19

Akurasi 100% 29.63% 70.37%

Pada jarak potret 12 cm digunakan arsitektur JST yakni 45 neuron pada layer 1, 20 neuron pada layer 2, epoch sebesar 1000, goal sebesar 1 x 10^-6, learning rate sebesar 0.001, didapatkan akurasi sebesar 44.44% yang ditunjukkan pada Tabel 3.

Tabel 3. Detail Hasil Eksperimen Data Uji Jarak 12 cm

Gol 1 9 5 4

Gol 2 9 6 3

Gol 3 9 1 8

Total 27 12 15

Akurasi 100% 44.44% 55.56%

Pada jarak potret 16 cm digunakan arsitektur JST yakni 20 neuron pada layer 1, 20 neuron pada layer 2, 10 neuron pada layer 3, epoch sebesar 1000, goal sebesar 1 x 10^-6, learning rate sebesar 0.001, didapatkan akurasi sebesar 29.63% yang ditunjukkan pada Tabel 3.

(6)

Universitas Multi Data Palembang | 255 Tabel 4. Detail Hasil Eksperimen Data Uji Jarak 16 cm

Gol 1 9 3 6

Gol 2 9 2 7

Gol 3 9 3 6

Total 27 8 19

Akurasi 100% 29.63% 70.37%

SIMPULAN

Berdasarkan dari penelitian yang telah dilakukan dengan perbandingan jarak potret menggunakan metode jaringan syaraf tiruan dan ekstraksi fitur GLCM, didapatkan bahwa perbedaan jarak potret ternyata berpengaruh terhadap tingkat akurasi pengenalan, dimana terdapat perbedaan jumlah data yang dikenali untuk tiap golongan telur pada jarak potret 8 cm, 12 cm dan 16 cm. Dari pengujian yang dilakukan didapatkan pada jarak potret 8 cm dan 16 cm mempunyai akurasi yang sama sebesar 29.63% dan jarak potret 12 cm memiliki tingkat akurasi pengenalan paling baik diantara 3 jarak potret sebesar 44.44%.

DAFTARPUSTAKA

[1] J. N, H. A, dan M. S, “Penurunan Kualitas Telur Ayam Ras Dengan Intensitas Warna Coklat Kerabang Berbeda Selama Penyimpanan,” J. Apl. Teknol. Pangan, Vol. 2, No. 1, Hal. 43–47, 2013.

[2] B. S. Nasional, “SNI 3926:2008: Telur Ayam Konsumsi,” BSN, 2008.

[3] Maimunah, “Deteksi Kebersihan Kerabang Telur Ayam Berdasarkan Pengolahan Citra Digital,” J.

Penelit. Ilmu Komputer, Syst. Embed. Log., Vol. 3, No. 1, Hal. 41–49, 2015.

[4] E. I. Sela dan M. Ihsan, “Deteksi Kualitas Telur Menggunakan Analisis Tekstur,” IJCCS (Indonesian J. Comput. Cybern. Syst., Vol. 11, No. 2, Hal. 199, 2017, doi: 10.22146/ijccs.24756.

[5] M. Sipan dan R. K. Pramuyanti, “Deteksi Kualitas Kuning Telur Ayam Kampung Menggunakan Ekstraksi Ciri Secara Statistika Orde Satu Berbasis Logika Fuzzy,” Elektrika, Vol. 12, No. 2, Hal. 73, 2020, doi: 10.26623/elektrika.v12i2.2783.

[6] M. N. Yusri, I. P. Ramadhani, dan A. B. Aswar, “Citra Digital dan Jaringan Syaraf Tiruan,” Vol. 02, No. May, Hal. 36–43, 2021.

[7] K. Bun dan Hurnaningsih, “Identifikasi Telur Retak Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Telur,” J. Ilm. Teknol. dan Rekayasa, Vol. 23, No. 3, Hal. 183–192, 2018, doi:

10.35760/tr.2018.v23i3.2468.

[8] M. Maimunah dan R. N. Whidhiasih, “Identifikasi Mutu Telur Ayam Berdasarkan Kebersihan Kerabang Menggunakan Jaringan Syaraf Tiruan,” Informatics Educ. Prof., Vol. 2, No. 1, Hal. 51–60, 2017.

[9] S. U. Khan, N. Islam, Z. Jan, K. Haseeb, S. I. A. Shah, dan M. Hanif, “A Machine Learning-Based Approach For The Segmentation and Classification of Malignant Cells In Breast Cytology Images Using Gray Level Co-Occurrence Matrix (GLCM) and support vector machine (SVM),” Neural

(7)

Comput. Appl., Vol. 34, No. 11, Hal. 8365–8372, 2022, doi: 10.1007/s00521-021-05697-1.

[10] Siswanto, A., Arta, Y., Kadir, E. A., & Bimantara. 2021. Text File Protection Using LeastSignificant Bit (LSB) Steganographyand Rijndael Algorithm. http://www.springer.com/series/15179