Claim Missing Document
Check
Articles

Found 5 Documents
Search

Pengklasifikasian Grade Telur Ayam Negeri menggunakan Klasifikasi K-Nearest Neighbor berbasis Android IBRAHIM, NUR; BACHERAMSYAH, TASYA FIKRIYAH; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 2 (2018): ELKOMIKA
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i2.288

Abstract

ABSTRAKTelur ayam negeri yang dibeli oleh masyarakat Indonesia di toko swalayan, pasar, ataupun di peternakan memiliki grade yang berbeda-beda. Pada penelitian sebelumnya, telah dilakukan pembuatan sistem pengklasifikasian telur ayam dengan berbasis Windows, namun belum dapat digunakan secara praktis oleh masyarakat. Penelitian ini dilakukan agar masyarakat dapat menggunakannya di lapangan dalam mengklasifikasikan grade telur ayam negeri, dimana pengklasifikasian grade pada telur ayam negeri ini menggunakan klasifikasi KNearest Neighbor (K-NN) yang berbasis android. Berdasarkan hasil pengujian, sistem ini dapat mengklasifikasikan grade telur ayam negeri dengan tingkat akurasi sebesar 80% (dibandingkan menggunakan Haugh Unit Micrometer) menggunakan parameter layer 4 (grayscale), metode penghitungan jarak cosine, dan nilai k=1 dimana jumlah tetangga yang dibandingkan pada algoritma K-NN adalah 1.Kata kunci: K-NN, telur ayam negeri, android.ABSTRACTChicken eggs purchased by Indonesian people in supermarkets, markets, or farms have different grades. In the previous research, the classification system of chicken eggs has been done in the windows platform, but it cannot be used practically by the people. This research was made so the people can use it on the field to classify chicken eggs grade, using the classification of K-Nearest Neighbor (K-NN) based on android. Based on testing results of this system, can classify eggs grade chicken with an accuracy of 80% (compared with Haugh Unit Micrometer) using layer 4 (grayscale), cosine distance method, and value of k=1 which is the total of compared neighborhood in K-NN algorithm is 1.Keywords: K-NN, chicken egg, android.
POLA PENGEMBANGAN USAHA PERUNGGASAN DI JAWA BARAT Maman Paturochman, M.; Hasan Hadiana; Dulatip Natawihardja; Sjafril Darana
Sosiohumaniora Vol 4, No 3 (2002): SOSIOHUMANIORA, NOPEMBER 2002
Publisher : Universitas Padjadjaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24198/sosiohumaniora.v4i3.5269

Abstract

Survey perunggasan ayam ras pedaging di tingkat peternak plasma telah dilakukan di dua kabupaten, yaitu Subang dan Ciamis yang masing-masing sistem management usahanya memiliki pola khas. Pelaksanaan kemitraan pengadaan sarana produksi ditangani oleh Pengusaha Pengelola sebagai pihak inti melalui kontrak kerjasama upah bagi hasil bagi peternak plasma. Lama pemeliharaan ayam broiler di Kabupaten Subang terdiri atas dua kategori; pertama 28 – 32 hari dan kedua 32 – 42 hari, sedangkan di Kabupaten Ciamis 32 – 42 hari. Rataan pendapatan per ekor di Kabupaten Subang Rp 100,45 dan di Ciamis Rp 112,55. Dari hasil penelitian dapat disimpulkan dua macam pola pengembangan, yaitu : di Kabupaten Ciamis berbentuk pola entrepreneur, sedangkan di Kabupaten Subang pola manajer. Penetapan formula harga ditentukan oleh faktor input utama, output di tingkat pasar lokal dan konversi ransum dengan penerapan asumsi : Harga ayam potong di pasar ≥ 2,7 harga ransum + 1,5 harga anak ayam umur sehari adalah paling tepat untuk peternak plasma. Kata Kunci : Pola pengembangan usaha, perunggasan.
Pengklasifikasian Grade Telur Ayam Negeri menggunakan Klasifikasi K-Nearest Neighbor berbasis Android IBRAHIM, NUR; BACHERAMSYAH, TASYA FIKRIYAH; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 6, No 2: Published May 2018
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v6i2.288

Abstract

ABSTRAKTelur ayam negeri yang dibeli oleh masyarakat Indonesia di toko swalayan, pasar, ataupun di peternakan memiliki grade yang berbeda-beda. Pada penelitian sebelumnya, telah dilakukan pembuatan sistem pengklasifikasian telur ayam dengan berbasis Windows, namun belum dapat digunakan secara praktis oleh masyarakat. Penelitian ini dilakukan agar masyarakat dapat menggunakannya di lapangan dalam mengklasifikasikan grade telur ayam negeri, dimana pengklasifikasian grade pada telur ayam negeri ini menggunakan klasifikasi KNearest Neighbor (K-NN) yang berbasis android. Berdasarkan hasil pengujian, sistem ini dapat mengklasifikasikan grade telur ayam negeri dengan tingkat akurasi sebesar 80% (dibandingkan menggunakan Haugh Unit Micrometer) menggunakan parameter layer 4 (grayscale), metode penghitungan jarak cosine, dan nilai k=1 dimana jumlah tetangga yang dibandingkan pada algoritma K-NN adalah 1.Kata kunci: K-NN, telur ayam negeri, android.ABSTRACTChicken eggs purchased by Indonesian people in supermarkets, markets, or farms have different grades. In the previous research, the classification system of chicken eggs has been done in the windows platform, but it cannot be used practically by the people. This research was made so the people can use it on the field to classify chicken eggs grade, using the classification of K-Nearest Neighbor (K-NN) based on android. Based on testing results of this system, can classify eggs grade chicken with an accuracy of 80% (compared with Haugh Unit Micrometer) using layer 4 (grayscale), cosine distance method, and value of k=1 which is the total of compared neighborhood in K-NN algorithm is 1.Keywords: K-NN, chicken egg, android.
Klasifikasi Grade Telur Ayam Negeri secara non- Invasive menggunakan Convolutional Neural Network IBRAHIM, NUR; SA’IDAH, SOFIA; HIDAYAT, BAMBANG; DARANA, SJAFRIL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 10, No 2: Published April 2022
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.297

Abstract

ABSTRAKTelur ayam negeri merupakan salah satu sumber protein yang banyak dikonsumsi masyarakat Indonesia. Untuk menjaga kualitas telur ayam negeri yang beredar di Indonesia, diperlukan sistem yang mampu mengidentifikasi grade telur ayam dan mudah digunakan oleh masyarakat. Penelitian sebelumnya telah mengembangkan sistem pengklasifikasian grade telur ayam negeri secara invasive dengan tingkat akurasi 80%, namun sistem ini membutuhkan sampel telur yang dipecahkan sehingga setiap sampel telur tersebut tidak dapat disimpan dalam waktu lama. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi grade telur ayam tanpa perlu memecahkan sampel telur ayam (non-invasive). Dengan menggunakan metode Convolutional Neural Network (CNN), sistem mampu mengidentifikasi grade telur ayam negeri pada tingkat akurasi 85,86% dengan arsitektur LeNet-5, optimizer Adam, learning rate 0,001, dan epoch 50.Kata kunci: telur ayam negeri, non-invasive, convolutional neural network, LeNet-5 ABSTRACTLocal Chicken egg are one of the sources of protein that is widely consumed by the people of Indonesia. To maintain the quality of local chicken egg in the market, a system that can identified chicken egg’s grade and easy to use is needed. Previous research has developed an invasive chicken egg’s grade classification system with 80% accuracy. However, the system required egg sample to be cracked so the egg sample can’t be stored for too long. This research develop a non-invasive chicken egg’s grade classification system, which doesn’t require egg sample to be cracked. By using Convolutional Neural Network (CNN), system can identified chicken egg’s grade at 85,86% accuracy with LeNet-5 architecture, Adam optimizer, learning rate 0,001, and epoch 50.Keywords: local chicken egg, non-invasive, convolutional neural network, LeNet-5
Estimasi Bobot Karkas Sapi Pedaging Menggunakan Metode Fraktal dan Klasifikasi K-Nearest Neighbor (KNN) Nilamsari, Putri Ragil; Hidayat, Bambang; Darana, Sjafril
Prosiding SNPBS (Seminar Nasional Pendidikan Biologi dan Saintek) 2017: Prosiding SNPBS (Seminar Nasional Pendidikan Biologi dan Saintek)
Publisher : Universitas Muhammadiyah Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (606.873 KB)

Abstract

Sapi pedaging merupakan hewan ternak yang dipelihara untuk menghasilkan protein hewani berupa daging. Salahsatu bagian penting dari tubuh sapi pedaging yaitu karkas. Bobot karkas sapi perlu diketahui untuk menentukanwaktu pemotongan yang tepat agar sesuai dengan standar yang telah ditetapkan. Mengetahui bobot karkas sapidapat dilakukan dengan mengalikan bobot hidup sapi terhadap persentase karkas yang telah ditetapkan yaitu 47- 57%. Bobot hidup sapi dapat diketahui dengan cara penimbangan secara konvensional, perkiraan secara visualoleh manusia, dan perhitungan menggunakan rumus yang telah ditetapkan. Tetapi cara-cara tersebut dinilai sulituntuk dilakukan.Pengolahan citra digital merupakan salah satu konsep dalam Teknologi Informasi dan Komputasiyang dapat diimplementasikan untuk merancang suatu sistem dalam program aplikasi dengan tujuan mengatasipermasalahan dalam mengestimasikan bobot karkas sapi. Sistem yang telah dirancang dalam program aplikasiestimasi bobot karkas sapi pedaging memerlukan input berupa citra atau gambar sapi dan menghasilkan outputberupa bobot karkas beserta klasifikasi sapi berdasarkan bobot karkas yang diperoleh. Dalam penelitian kali ini, perancangan sistem pada program aplikasi estimasi bobot karkas sapi dilakukan dengan menggunakan metodefraktal dan klasifikasi K-Nearest Neighbor (KNN). Kalkulasi bobot karkas sapi menggunakan rumus Schoorldengan persentase karkas 52%.Program aplikasi yang diimplementasikan untuk mengestimasi bobot karkas sapipedaging, dirancang berbasis Matlab. Kolaborasi dari metode fraktal dan klasifikasi K-Nearest Neighbor dapatmenghasilkan suatu sistem dalam program aplikasi yang memiliki akurasi estimasi bobot sapi sebesar 90.74% danakurasi klasifikasi sebesar 64% dengan waktu komputasi 17.57 s.