Identifikasi Kemurnian Daging Berbasis Analisis Citra

Penulis

Nila Susila Yulianti, Kudang Boro Seminar, Joko Hermanianto, Sri Wahjuni

Abstrak

Daging sapi merupakan salah satu sumber protein hewani yang diperlukan oleh tubuh. Pada tahun 2015 dan 2016 konsumsi daging sapi per kapita sebesar 0,417 kg dan terjadi kenaikan pada tahun 2017 yaitu 12,50 % sebesar 0,469 kg. Sementara harga rata-rata daging sapi di tahun 2015 sebesar Rp 104 747 per kg dan mengalami kenaikan pada tahun 2016 yaitu 8,41 % sebesar Rp 113 555 per kg.  Di tahun 2017 kembali terjadi kenaikan yaitu 2,09 % sebesar 115 932 per kg. Berdasarkan sensus penduduk tahun 2010 mendata jumlah penduduk muslim sebesar 207176162 yaitu 87 % dari total penduduk di Indonesia. Kekhawatiran daging halal sangat penting di negara mayoritas muslim. Metode secara konvensional dengan uji laboratorium untuk mendeteksi daging celeng membutuhkan waktu yang relatif lama, tempat khusus, serta biaya yang relatif mahal. Sementara daging yang diwaspadai dicampur dengan daging babi hutan bisa terjadi di berbagai tempat seperti pasar, retailer serta  distributor yang sepatutnya bisa dideteksi seketika di tempat tersebut secara cepat. Oleh karena itu, diperlukan sistem yang mudah, cepat, dan mudah dibawa untuk mendeteksi daging sapi murni (tanpa campuran daging lainnya) dalam penelitian ini adalah daging celeng.

Paper ini membahas metode deteksi daging campuran berbasis citra menggunakan Convolutional Neural Network (CNN) yang dapat dioperasikan di android. Keunggulan metode ini dapat melakukan proses pembelajaran secara mandiri yaitu ekstraksi citra dan klasifikasi, adapun kemampuan lain yang dimiliki yaitu dapat menangani deformasi gambar seperti translasi, rotasi dan skala. Akurasi yang didapatkan dari metode ini yaitu 94 % untuk mendeteksi daging sapi murni, daging celeng murni, dan daging campuran sapi dan celeng. Sementara presisi untuk celeng, campuran dan sapi yaitu 100 %, 90 % dan 95 %. Selain itu, recall untuk celeng, campuran dan sapi yaitu 85 %, 95 %, dan 97,5 %. Prototipe sistem deteksi yang dikembangkan telah diimplementasikan pada platform android dan diuji pada situasi pencahayaan yang masih terkondisikan. Upaya penyempurnaan ke depan adalah menambah fitur sistem pencahayaan  khusus/standar dengan kamera khusus yang memiliki cahaya tambahan yang mengatasi keragaman tingkat pencahayaan di tempat terbuka.

 


Abstract

Beef is one of animal protein source that important for human body. In 2015 and 2016 beef consumption per capita was 0.417 kg and it was increasing in 2017 by 12.50 % (i.e., 0.469 kg). While The average price of beef  at Rp 104 747 per kg in 2015 and went up  by 8,41 % at Rp 113 555 per kg in 2016. In 2017, there was an increase by 2,09 % at Rp 115 932 per kg. The increase of beef price average occurred in 2015 amounting to Rp 104 747 per kg and an increase in 2016 that was 8.41% amounting to Rp 113 555 per kg. Based on the population census in 2010 recorded a Muslim population of 207176162 which is 87% of the total population in Indonesia. The concern of halal (lawful) meat is very critical in the muslim majority country. The conventional method with laboratory testing to detect wild boar meat requires a relatively long time, a special place, and a relatively expensive cost. While meat that is mixed with wild boar can happen in various places such as markets, retailers and distributors which can be detected immediately in that place quickly.Therefore, a system that can be easily, quickly and portably used for detecting pure beef (without other mixed meat) in this study is wild boar. 

This paper discusses image-based mixed meat detection methods using the Convolutional Neural Network (CNN) that can be operated on android. so the proposed computationally method is Convolutional Neural Network (CNN). The advantages of this method can do the learning process independently, object extraction and classification, while the other capabilities that can handle image deformation such as translation, rotation, and scale. This method yields an overall accuracy of 94% for detecting pure beef, pure wild boar meat, and mixed beef and wild boar. The obtained precision values for wild boar, mixed meat and beef  are by 100 %, 90 % and 95 % respectively. Moreover, the values recall for wild boar, mixed meat and beef are by 85 %, 95 % and 97,5 % respectively. The prototype detection system developed has been implemented on the Android platform and tested in a lighting situation that is still conditioned. A  future effort to improve is providing   special / standard lighting with a special camera that has additional light that can overcome the diversity of levels of exposure in the open areas.

 


Teks Lengkap:

PDF

Referensi


ARROFIQOH EN, HARINTAKA. 2018. Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. Jurnal Geomatika, [e-journal] 24(2). Tersedia melalui: < [Diakses 11 April 2020]

ARSY L, NURHAYATI OD, MARTONO TK. 2016. Aplikasi Pengolahan Citra Digital Meat Detection Dengan Metode Segmentasi K-Mean Clustering Berbasis OpenCV Dan Eclipse. Jurnal Teknologi dan Sistem Komputer, [e-journal] 4(2). Tersedia melalui: [Diakses 11 April 2020]

BPMSPH, 2018. Cara Pintar Pilih Pangan Asal Hewan. [ebook]. Balai Pengujian Mutu dan Sertifikasi Produk Hewan. Tersedia melalui: [Diakses 4 Maret 2019]

BPS. 2010. Hasil Sensus Penduduk 2010. Badan Pusat Statistik, [online] Tersedia di: [Diakses 4 Februari 2020]

BPS. 2017. Kajian Konsumsi Bahan Pokok 2017. Badan Pusat Statistik, [online] Tersedia di: [Diakses 12 Maret 2020]

BUDIANITA E, JASRIL, HANDAYANI L. 2015. Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi. Jurnal Sains, Teknologi, dan Industri, [e-journal] 12(2). Tersedia melalui: [Diakses 11 April 2020]

CICHOSZ P. 2015. Data Mining Algorithms, [online] Tersedia di [Diakses 11 April 2020]

DEPKES. 2018. Ini Penyebab Stunting pada Anak. Departemen Kesehatan, [online] Tersedia di: [Diakses 24 Mei 2018]

DJPKN. 2018. Statistik Peternakan dan Kesehatan Hewan 2018. Direktorat Jenderal Peternakan dan Kesehatan Hewan, [online] Tersedia di: [Diakses 27 Januari 2019]

GODIL A, BOSTELMAN R, SHACKLEFORD W, HONG T, SHNEIER M. 2014. Performance Metrics for Evaluating Object and Human Detection and Tracking Systems. NISTIR 7972 National Institute of Standards and Technology Gaithersburg MD USA. [online] Tersedia di: < https://www.nist.gov/publications/performance-metrics-evaluating-object-and-human-detection-and-tracking-systems> [Diakses 11 April 2020]

HANDAYANI L. 2017. Analisa Metode Gabor dan Propbabilistic Neural Network untuk Klasifikasi Citra. Jurnal Sains, Teknologi, dan Industri, [e-journal] 14(2). Tersedia melalui: < http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/3707/pdf> [Diakses 11 April 2020]

He Y, ZENG H, FAN Y, JI S, WU J. 2019. Application of Deep Learning in Integrated Pest Management : a Real-Time System for Detection and Diagnosis of Oilseed Rape Pests. Mobile Information System. [online] Tersedia di:< https://www.hindawi.com/journals/misy/2019/4570808/> [Diakses 11 April 2020]

HIMAWAN H, WIRATAMA W. 2018. Different Types of Beef and Pork Using Histogram Texture and K-Means Clustering Method. Journal of Applied Intelligent System, [e-journal] 3(1). Tersedia melalui: [Diakses 11 April 2020]

HOMES B. 2012. Fundamentals of Software Testing, [online] Tersedia di [Diakses 11 April 2020]

LIU B. 2008. Web Data Mining: Exploring, Hyperlinks, Contents, and Usage Data, [online] Tersedia di [Diakses 11 April 2020]

NENENG, ADI K, ISNANTO RR. 2016. Support Vector Machine Untuk Klasifikasi Citra Jenis Daging Berdasarkan Tekstur Menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrices (GLCM). Jurnal Sistem Informasi Bisnis, [e-journal] 6(1). Tersedia melalui: [Diakses 11 April 2020]

PANGESTU MA, BUNYAMIN H. 2018. Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model. Jurnal Teknik Informatika dan Sistem Informasi, [e-journal] 4(2). Tersedia melalui: https://journal.maranatha.edu/index.php/jutisi/article/view/1501/1172 [Diakses 11 April 2020]

SANTOSO A, ARIYANTO G. 2018. Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah. Jurnal Emitor, [e-journal] 18(1). Tersedia melalui: [Diakses 11 April 2020]

SASONGKO TB. 2016. Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO –SVM (Studi Kasus Klasifikasi Jalur Minat SMA. Jurnal Teknik Informatika dan Sistem Informasi, [e-journal] 2(2). Tersedia melalui: [Diakses 11 April 2020]

SIANTURI TA, FURQON MT, INDRIATI. 2018. Penerapan Algoritme Fuzzy K-Nearest Neighbour Pada Pengklasifikasian Penyakit Kejiwaan Skizofrenia. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, [e-journal] 2(10), Tersedia melalui:

[Diakses 11 April 2020]

ZUFAR M, SETIYONO B. 2016. Convolutional Neural Networks untuk Pengenalan Wajah Secara Real-Time. Jurnal Sains dan Seni ITS, [e-journal] 5(2). Tersedia melalui: [Diakses 11 April 2020]




DOI: http://dx.doi.org/10.25126/jtiik.0813307