Klasifikasi Mutu Telur Burung Puyuh Berdasarkan Warna dan Tekstur Menggunakan Metode K-Nearest Neighbor (KNN) dan Fusi Informasi

Penulis

Arwin Datumaya Wahyudi Sumari, Putri Indah Mawarni, Arie Rachmad Syulistyo

Abstrak

Kualitas produk merupakan faktor utama untuk menjamin keberlangsungan satu usaha peternakan. Perusahaan telur puyuh yang memiliki ribuan burung Puyuh seperti CV. NS Quail Farm mampu memproduksi ribuan telur dalam sehari karena seekor burung Puyuh mampu menghasilkan 250-300 butir telur per tahun. Penyeleksian ribuan telur-telur tersebut dilakukan secara tradisional oleh para pekerja peternakan sehingga kualitas telur-telur hasil seleksi bergantung pada perspektif masing-masing pekerja. Guna memperoleh telur hasil seleksi dengan kualitas yang sama, maka dibangun sebuah sistem pencitraan digital untuk pemilihan telur burung Puyuh berdasarkan fitur warna dan tekstur kulit telur menggunakan metode klasifikasi K-Nearest Neighbor (KNN) yang dikombinasikan dengan fusi informasi. 300 data citra telur burung Puyuh diolah menggunakan normalisasi Red, Green, Blue (RGB) dan Otsu thresholding guna memperoleh fitur warna dan fitur tekstur yang kemudian difusikan menjadi fitur terfusi tunggal sebagai masukan pengklasifikasi KNN. Dari hasil-hasil penelitian, disimpulkan bahwa sistem berhasil mengklasifikasikan mutu telur Baik, Sedang, dan Buruk dengan akurasi rata-rata sebesar 77,78%. Disamping itu, klasifikasi dengan fusi informasi mampu mengungguli klasifikasi tanpa fusi informasi sebesar 11,11% pada nilai  yang sama yakni 7 dan fusi informasi juga mampu mempercepat proses klasifikasi sebesar 0,22 detik dibandingkan terhadap klasifikasi tanpa fusi informasi.

Abstract

The quality of product us a primary factor to ensure the sustainability of a farm business. A company which has thousands of quail such as CV. NS Quail is capable of producing thousand quail eggs in a day because a quail is able to produce 250-300 eggs per year. The selection of the eggs is carried out traditionally by the farm workers so that the quality of the selected eggs are depended on the perspective of each worker. In order to obtain the same quality of the selected eggs, a digital imaging system for quail egg selection based on color feature and texture feature using K-Nearest Neighbor (KNN) combined with information fusion is developed. 300 image data of quail egg was processed using Red, Green, Blue (RGB) and Otsu thresholding to obtain color feature and texture feature which then were fused to become single fused feature as the input to KNN classifier. From the research results, it is concluded that the system was managed to classify egg quality as good, medium, and bad with an accuracy of 77,78%. In addition, the classification with information fusion was able to outperform the classification without information fusion by 11.11% at the same  value of 7 and information fusion is also able to accelerate classification process by 0.22 seconds compared to that of without information fusion.

Teks Lengkap:

PDF

Referensi


ABADI, S., HUDA, M., JASMI, K.A., SHAKIB, S., NOOR, M., SAFAR, J., MOHAMED, A.K., EMBONG, W.H.W., MOHAMAD, A.M., HEHSAN, A., BASIRON, B., IHWANI, S.S., MASELENO, A., MUSLIHUDIN, M., SATRIA, F., IRAWAN, D., & HARTATI, S., 2018. Determination of the best quail eggs using simple additive weighting. International Journal of Engineering & Technology, 7(2.27). pp. 225-230.

ANA T.N., GEDE, P.S.W., & IRFAN, L.A.S. 2017. Klasifikasi Warna Kulit Manusia Dengan Algoritma K-Nearest Neighbor. Jurnal Dielektrika, 4(2), pp. 137-140,.

ANDONO, P.N., SUTOJO, T., & MULJONO., 2017. Pengolahan Citra Digital. Edisi 1, Yogyakarta: Andi.

ASMARA, R.A., 2018. Pengolahan Citra Digital: Pengolahan Citra Digital, Edisi 1, Malang: Polinema Press.

GUNAWARDENA, T., 2016. Algorithms: K Nearest Neighbors, https://www.slideshare.net/tilanigunawardena/k-nearest-neighbors.

HAN, J., KAMBER, M., & PEI, J., 2012. Data Mining Concepts & Techniques Third Edition, 365-367, San Fransisco: Elsevier.

KUSMANTO, R.D., & TOMPUNU, A.N., 2011. Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunkan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 (Semantik 2011), [online]. Tersedia di: < http://publikasi.dinus.ac.id/index.php/semantik/article/view/153/116> [Diakses 30 Mei 2011].

MAHARDIKA, A.A., SAPTONO, R., & ANGGRAININGSIH, R., 2015. Sistem Klasifikasi Feedback Pelanggan Dan Rekomendasi Solusi Atas Keluhan Di Upt Puskom Uns dengan Algoritma Naïve Bayes Classifier dan Cosine Similarity. Jurnal ITSMART, 4(1), pp. 39-40.

NADKARNI, P., 2016. Core Technologies: Data Mining and Big Data. Clinical Research Computing, 187–204 [online]. Tersedia di: [Diakses 20 Mei 2020].

NINGRUM, N.K., HENDRIYANTO, N., & KURNIAWAN, D., 2017. Pengaruh Thresholding Otsu Pada Klasifikasi Motif Batik Pesisir Menggunakan K-Nearest Neighbour. Prosiding Science and Engineering National Seminar 3 (SENS 3), pp. 142-147.

OTSU, N., 1979, A Threshold Selection Method from Gray-Level Histogram. IEEE Transactions on Systems, Man, and Cybernetics, SMC-9(1), pp. 62-66.

RAHMADIANTO, R., MULYANTO, E., & SUTOJO, T., 2019. Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbor untuk Mendeteksi Kualitas Telur Ayam. Jurnal Voice of Informatics, 8(1), pp. 45-54.

RIZAL, M.A., 2019. Tesis Tugas Akhir: Klasifikasi Mutu Biji Kopi Menggunakan Metode K-Nearest Neighbor Berdasarkan Warna dan Tekstur. Jurnal Informatika, [online]. Tersedia di: < http://eprints.uty.ac.id/2675/> [Diakses 8 Juni 2020].

SAPARINTO, C., & MARSUDI., 2012. Puyuh. Edisi Pertama Penebar Swadaya. 6. Jakarta.

SIREGAR, A.M., & PUSPABHUANA, A., 2017. Data Mining: Pengolahan Informasi Data dengan Rapid Miner, Surakarta: Kekata Publisher.

SU, S.Z., & CHEN, S.Y., 2013. Analysis of feature fusion based on HIK SVM and its application for pedestrian detection, [online]. Tersedia di: < https://www.hindawi.com/journals/aaa/2013/436062/> [Diakses 4 April 2020].

SULTONI, M.I., HIDAYAT, B., & SUBANDRIO, A. S., 2019. Klasifikasi Jenis Batuan Beku Melalui Citra Berwarna Dengan Menggunakan Metode Local Binary Pattern dan K-Nearest Neighbor. Jurnal Tektrika, 4(1), pp. 10–15,.

SUMARI, A.D.W., & AHMAD, A.S., 2008. Designing MultiAgent-based Information Fusion System. The 1st Makassar International Conference on Electrical Engineering and Informatics 2008, pp. 137-143.

SUMARI, A.D.W., & AHMAD, A.S., 2016. The Fusion of Artificial Intelligence and Information Fusion. International Symposium on Electronics and Smart Devices 2016, [online]. Tersedia di: < https://ieeexplore.ieee.org/document/7886754> [Diakses 21 Mei 2020].

SUMARI, A. D. W., & AHMAD, A. S., 2017. Information Fusion as Knowledge Extraction in an Information Processing System. International Journal of Artificial Intelligence and Neural Networks, 7(1), pp. 22–27.

SYAFI’I, S.I., WAHYUNINGRUM, R.T., & MUNTASA, A., 2015. Segmentasi Obyek Pada Citra Digital Menggunakan Metode Otsu Thresholding. Jurnal Informatika, 13(1), pp. 1-8.

WIDYARDINI, S.T., 2015. Pemrograman Matlab untuk Pengolahan CItra Digital: Studi Kasus Sistem Pemantau Ruangan Pengganti CCTV, Edisi 1, 24, Malang: Universitas Brawijaya Press.

WURYADI, S., 2013. Beternak Puyuh. Edisi 1. Jakarta: PT AgroMedia Pustaka




DOI: http://dx.doi.org/10.25126/jtiik.2021854393