OPTIMASI ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI DAN DAGING BABI BERBASIS GLCM DAN HSV

Usman Sudibyo; Desi Purwanti Kusumaningrum; Eko Hari Rachmawanto; Christy Atika Sari

doi:10.24176/simet.v9i1.1943

OPTIMASI ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGKLASIFIKASIAN CITRA DAGING SAPI DAN DAGING BABI BERBASIS GLCM DAN HSV

Usman Sudibyo
Desi Purwanti Kusumaningrum
Eko Hari Rachmawanto
Christy Atika Sari

Abstract

Meningkatnya kebutuhan daging sapi, berdampak pada harga daging sapi. Harga daging sapi yang terus menerus mengalami kenaikan, tentunya menyebabkan penurunan penjualan daging sapi. Untuk mengantisipasi hal tersebut, maka beberapa pedagang mencampurkan daging sapi dengan daging babi. Dipilihnya daging babi, karena harga daging babi lebih murah dan warna serta tekstur daging babi yang mirip dengan daging sapi. Secara kasat mata daging sapi dan daging babi sulit untuk dibedakan bagi orang awam. Oleh karena itu, perlu adanya sistem yang dapat membedakan kedua daging. Penelitian ini menggunakan metode klasifikasi untuk membedakan kedua daging. Metode klasifikasi menggunakan algoritma Learning Vector Quantization. Dan penelitian ini memiliki tiga tahapan utama seperti preprocessing, segmentasi warna, ekstraksi fitur, dan klasifikasi. Preprocessing digunakan untuk mendapatkan Region of Interest (ROI) dengan memotong citra dan mengubah ukuran citra. Segmentasi warna menggunakan metode HSV untuk mendapatkan kedalaman warna citra dan ekstraksi fitur mengguakan Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan fitur dari kontras, korelasi, energi, dan homogenitas. Hasil klasifikasi dengan algoritma LVQ mendapatkan akurasi tertinggi 76,25%. Algoritma telah diuji dengan MSE untuk mengetahui minimum error dan PSNR digunakan sebagai pengukuran kualitas citra pengolahan.

Keywords

klasifikasi daging; LVQ; HVS; GLCM; MSE; PSNR

Teks Lengkap:

PDF

Referensi

E. Budianita, J. Jasril, and L. Handayani, “Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi Berbasis Web,” J. Sains dan Teknol. Ind., vol. 12, no. Vol 12, No 2 (2015): Juni 2015, pp. 242–247, 2015.

L. Bing and W. Wang, “Sparse Representation Based Multi-Instance Learning for Breast Ultrasound Image Classification,” Comput. Math. Methods Med., vol. 2017, pp. 1–10, 2017.

O. R. Indriani, E. J. Kusuma, C. A. Sari, E. H. Rachmawanto, and D. R. I. M. Setiadi, “Tomatoes Classification Using K-NN Based on GLCM and HSV Color Space,” in International Conference on Innovative and Creative Information Technology (ICITech), 2017, pp. 1–6.

T. Sutojo, P. S. Tirajani, D. R. I. M. Setiadi, C. A. Sari, and E. H. Rachmawanto, “CBIR for classification of cow types using GLCM and color features extraction,” in 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), 2017, pp. 182–187.

S. N. H. Sheikh Abdullah et al., “Round Randomized Learning Vector Quantization for Brain Tumor Imaging,” Comput. Math. Methods Med., vol. 2016, pp. 1–19, 2016.

A. C. Agustina, S. Suwarno, and U. Proboyekti, “Pengenalan Aksara Jawamenggunakan Learning Vector Quantization ( Lvq ),” no. 1, 2009.

Z. Lai and H. Deng, “Multiscale High-Level Feature Fusion for Histopathological Image Classification,” Comput. Math. Methods Med., vol. 2017, pp. 1–6, 2017.

J. Yang, S. Li, and W. Xu, “Active learning for visual image classification method based on transfer learning,” IEEE Access, vol. 3536, no. c, pp. 1–1, 2017.

G. Ramadhan, E. C. Djamal, and T. Darmanto, “Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ,” Semin. Nas. Apl. Teknol. Inf. 2016 Yogyakarta, pp. 37–41, 2016.

A. A. Kasim and A. Harjoko, “Klasifikasi Citra Batik Menggunakan Jaringan Syaraf Tiruan Berdasarkan Gray Level Co- Occurrence Matrices ( GLCM ),” Semin. Nas. Apl. Teknol. Inf. Yogyakarta, 21 Juni 2014, pp. 7–13, 2014.

DOI: https://doi.org/10.24176/simet.v9i1.1943