Garuda - Garba Rujukan Digital

Estimasi Berat Karkas Sapi Berdasarkan Segmentasi Graph Partitioning Dengan Klasifikasi Knn Sri Muliawati; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Ternak bisa dibagi menjadi dua, yaitu ternak dengan ukuran kecil dan ternak dengan ukuran besar. Ternak ukuran kecil contohnya adalah kelinci, domba, dan kambing. Sedang ternak ukuran besar contohnya adalah sapi. Mengukur berat ternak ukuran kecil lebih mudah, sedang yang ukuran besar sedikit lebih sulit. Berat seekor sapi dapat diperkirakan dengan mengukur lingkar dada dan panjang badan dari masing-masing sapi. Sedang berat karkas sendiri berkisar antara 52-58% dari bobot hidup sapi. Cara lain adalah penimbangan dengan menggunakan timbangan yang dinilai masih kurang efisien karena ukuran timbangan yang cukup besar dan tidak fleksibel untuk dibawa-bawa. Untuk mendapat cara yang lebih praktis, bidang teknologi dapat diimplementasikan untuk membantu memberi alternatif solusi atas permasalahan tersebut. Dengan pengolahan citra, bisa diketahui ukuran fisik dari sapi yang tampak dalam gambar dua dimensi. Dalam Tugas Akhir ini, penulis membahas bagaimana mengestimasi berat karkas yang dihasilkan dari seekor sapi. Terdapat beberapa metode yang bisa digunakan untuk mengestimasi berat karkas sapi. Pada Tugas Akhir ini penulis menggunakan metode Graph Partitioning dengan klasifikasi K-Nearest Neighbor (K-NN) yang diawali dengan preprocessing yang terdiri dari operasi resize dan contrast stretching. Hasil penelitian Tugas Akhir ini didapatkan nilai akurasi estimasi berat karkas sapi adalah sebesar 82.19% dengan waktu komputasi 21.44 detik. Diharapkan dengan kemampuan sistem ini, dapat membantu penjual atapun pembeli sapi untuk mengetahui berat karkas sapi dengan cara yang lebih efisien. Kata kunci : Segmentasi, Graph partitioning, Klasifikasi, K-NN

Estimasi Berat Karkas Sapi Berdasarkan Segmentasi Mean Shift Dengan Klasifikasi Support Vector Machine Linear Mutia Henarta; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Daging sapi merupakan sumber protein yang paling digemari masyarakat Indonesia setelah daging unggas. Ukuran keberhasilan manajemen pemeliharaan sapi adalah dengan melihat produktivitas sapi tersebut. Bobot badan ternak sapi dapat diperoleh dengan cara mengukur lingkar dada dan panjang badan masing-masing ternak sapi tersebut, yang ternyata mempunyai hubungan yang linear. Penimbangan menggunakan timbangan mekanis masih memiliki kendala yang dihadapi dalam melakukan pembobotan badan ternak sapi. Untuk mendapatkan cara yang lebih praktis, bidang Teknologi Informasi dan Komputasi dapat diaplikasikan untuk membantu memberikan alternatif solusi atas permasalahan tersebut, dengan menggunakan pengolahan citra untuk mengetahui ukuran fisik tubuh ternak sapi yang tampak tersebut (lingkar dada, dan panjang badan). Penelitian bidang pengolahan citra ini dikombinasikan dengan bidang peternakan yang telah menemukan hubungan antara ukuran-ukuran fisik tubuh ternak sapi yang tampak dengan bobot badan ternak sapi. Pengolahan citra dilakukan dengan proses segmentasi citra untuk memisahkan citra ternak sapi dari latar belakang dan menghilangkan objek-objek dalam citra yang bersifat pengganggu (noise), selanjutnya dilakukan proses identifikasi untuk mendapatkan ukuran panjang badan dan lingkar dada citra sapi. Setelah mendapatkan ukuran- ukuran tersebut, dilakukan proses komputasi untuk menghitung bobot badan ternak sapi tersebut. Untuk pengujiannya, dibandingkan dengan pengukuran secara langsung (manual) dengan menggunakan pita ukur. Pada tugas akhir ini dibuat sistem yang dapat mengetahui berat karkas sapi memanfaatkan pengolahan citra. Metode yang digunakan dalam sistem ini adalah Mean Shift untuk segmentasi citra sapi nya. Untuk proses klasifikasi digunakan metode SVM Linear. Hasil penelitian Tugas Akhir ini adalah didapatkan nilai akurasi 89%. Diharapkan juga dengan kemampuan sistem ini dapat membantu para pedagang daging, sehingga dapat dijadikan standar akurasi yang tepat dalam mengetahui berat karkas sapi. Kata Kunci : Segmentasi, Mean Shift, SVM Linear.

Klasifikasi Untuk Deteksi Kualitas Keju Cheddar Menggunakan Pengolahan Citra Digital Dengan Metode Content Based Image Retrieval Dan K-nearest Neighbor Berbasis Android Syifa Mellynda Prisca; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstrak Keju merupakan makanan olahan yang terbuat dari hasil fermentasi susu. Dalam kehidupan sehari-hari, keju dimanfaatkan sebagai tambahan bahan makanan karena banyak mengandung protein hewani yang sangat bermanfaat untuk tubuh manusia. Namun, jika dikonsumsi secara berlebihan akan memberikan dampak yang tidak baik pada tubuh, mengingat mengandung lemak dan kolestrol. Dalam pengkonsumsian nya sudah tentu perlu memperhatikan kondisi keju yang layak selaku bahan pangan. Dalam tugas akhir ini, penulis merancang sebuah perangkat lunak yang dapat mengidentifikasi kualitas sebuah keju berdasarkan dari warna, bentuk dan tekstur. Teknik identifikasi yang digunakan adalah memproses citra digital yang diambil dengan kamera. Kemudian citra query tersebut diolah menggunakan metode Content Based Image Retrieval dan K-Nearest Neighbor. Lalu dari metode tersebut diperoleh data ciri statistik, sehingga akhirnya dapat diklasifikasikan untuk menentukan kualitas keju. Dalam penelitian tugas akhir penulis menggunakan beberapa macam sample keju, dari yang berkualitas tinggi hingga rendah. Hasil dari perancangan sistem aplikasi berbasis android diperoleh akurasi sebesar 85,42%, sehingga dengan demikian temuan penelitian diharapkan dapat menjadi suatu alat bantu guna mengetahui kualitas keju. Kata kunci : Content based image retrieval, K-nearest neighbor Abstract Cheese is processed food that made from fermented milk. In the daily life, is used as a food ingredient because it contains many animal protein which are have much of beneficial for human body. However, if this food is consumed too much it will have negative effect on body. That is why, before it will be consumed, so we have to know about their quality product. In this final project, the writer want to design a software that can identify cheese quality based on color, shape and texture. Identification technique used via digital image by using camera, Then image of query is processed by method. Then the characteristic data were studied, so that can be determine about classified of cheese quality. From this final task research the author used several samples of cheese from several various qualities, the high quality into the low. The design research with android-based application system and get an accuracy of 85.42%. So people should know the condition of the cheese before consumed. Keywords: Content based image retrieval, K-nearest neighbor

Deteksi Kesegaran Dan Kualitas Telur Berdasarkan Metode Color Matching Dan Template Matching Devi Utami Nur Indah Sari; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Telur ayam adalah bahan makanan yang biasa dikonsumsi oleh masyarakat indonesia. Telur memiliki protein yang bermutu tinggi. Sehingga telur banyak dijadikan sebagai bahan olahan makanan. Akan tetapi, tidak semua telur memiliki kualitas dan kesegaran yang baik karena telur yang berada dipeternakan ataupun toko memiliki kualitas yang berbeda-beda. Kualitas dan kesegaran telur dapat dilihat dari ketinggian telur tersebut sedangkan warna kuning telur dengan menggunakan alat yang disebut Yolk Color Fan sebagai acuan dimana semakin tinggi nilai yolk maka semakin tinggi nilai kandungan karotein. Namun, untuk mengukur ketinggian telur maupun mencocokan warna kuning telur dengan menggunakan alat ukur dan Yolk Color Fan secara kasat mata, hasil yang didapat akan bersifat subjektif karena disebabkan beberapa faktor seperti cahaya dan kemampuan penglihatan seseorang. Dalam tugas akhir ini penulis akan membahas bagaimana cara mendeteksi kualitas dan kesegaran dari tinggi dan warna kuning telur ayam negeri. Pada tugas akhir ini penulis menggunakan metode Color Matching dan Template Matching. Tujuan adanya tugas akhir ini, penelitian ini dapat mempermudah mendeteksi kualitas dan kesegaran kuning telur dengan hasil yang lebih efektif dan akurat. Sistem yang dibuat untuk kualitas kuning telur dengan metode Color Matching Mendapatkan Akurasi sebesar 87% sedangkan untuk kualitas dan kesegaran telur dengan metode Template Matching sebesar 76% Kata Kunci : Telur, Color Matching, Template Matching

Estimasi Berat Karkas Sapi Berdasarkan Segmentasi K-means Clustering Dengan Menggunakan Metode Klasifikasi Support Vector Machine Multiclass Muhammad Taufiq Alkautsar; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Berat badan ternak sapi dapat diperoleh dengan cara mengukur lingkar dada dan panjang badan masing masing ternak sapi tersebut, yang ternyata mempunyai hubungan yang linear. Untuk mendapatkan cara yang lebih praktis dan efisien, bidang Teknologi, Informasi dan Komunikasi dapat diimplementasikan untuk membantu memberikan alternatif solusi atas permasalahan tersebut, dengan menggunakan pengolahan citra untuk mengetahui ukuran fisik tubuh ternak sapi yang tampak tersebut (lebar dada dan panjang badan). Pada Tugas Akhir ini akan dibahas mengenai estimasi berat karkas sapi jika dilakukan dengan pengolahan sinyal digital. Pengolahan citra digital dapat dilakuakan dengan menggunakan algoritma tertentu yang dapat mengenali objek. Tugas akhir ini merancang dan menerapkan aplikasi dengan penggunaan teknik pengolahan citra digital yang dapat memfpermudah prediksi dan klasifikasi dari berat sapi potong, dengan langkah-langkah : pre-processing, segmentasi citra, ektraksi ciri dan klasifikasi. Metode segmentasi yang digunakan pada tugas akhir ini adalah kombinasi dari K Means Clustering dengan Active Contour Model. Ekstraksi ciri yang didapat yaitu lingkar dada dan panjang badan serta menggunakan Multiclass SVM untuk mengklasifikasi. Jumlah data yang digunakan sebanyak 100 data latih dan 17 data uji. Dari penelitian yang ada pada tugas akhir ini, dengan menggunakan 17 Citra sapi dengan percobaan skala gambar dari 0.1 hingga 0.9 maka didapatkan hasil akurasi yang paling baik dari sistem yaitu pada rasio 0.5 sebesar 87,53% untuk mengetahui berat karkas sapi tersebut dengan waktu komputasi 8,26 detik Kata kunci : Berat karkas sapi, segmentasi citra, K Means Clustering, Multiclass Suppor Vector Machine

Deteksi Kualitas Dan Kesegaran Telur Berdasarkan Segmentasi Warna Dengan Metode Fuzzy Color Histogram (fch) Dan Discrete Cosine Transform Dengan Klasifikasi K-nearest Neighbor (k-nn) Yeni Ernita Kusuma Wardani; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Telur dikenal oleh banyak orang dengan kandungan protein dan gizi. Dengan harga yang murah, telur memiliki protein yang bermutu tinggi dan susunan asam amino essensial yang lengkap sehingga telur banyak dijadikan bahan untuk olahan makanan. Namun, kualitas dan kesegaran telur bisa dilihat dari berbagai aspek bentuk dan warna dari telur. Warna kuning telur memiliki tingkatan dari 1 sampai 15 grade. Biasanya untuk menentukan tingkat warna kuning telur menggunakan alat yang disebut Yolk Color Fan namun hasil yang didapat akan bersifat subjektif sehingga ada perbedaan perspektif yang disebabkan oleh beberapa faktor, seperti cahaya dan perbedaan kemampuan penglihatan seseorang. Hal inilah akan menjadi topik tugas akhir ini yaitu klasifikasi kuning telur. Seperti banyak orang ketahui bahwa perkembangan teknologi dibidang pengolahan citra digital sudah sangat pesat tepatnya dalam teknik pengenalan pola suatu citra digital sehingga digunakan pengolahan citra digital untuk mengklasifikasikan kuning telur pada ayam negeri Dalam Tugas Akhir ini penulis dalam pengambilan data telur yang dilaksanakan kerja sama dengan Universitas Padjajaran, Jatinangor Jawa Barat dan penulis membahas mengenai cara mendeteksi kualitas dan kesegeran dari bagian albumen, dan mendeteksi kualitas kuning telur dari warna kuning telur ayam menggunakan pengolahan citra digital dengan metode Fuzzy Color Histogram (FCH), Discrete Cosine Transform (DCT) dan deteksi tepi dengan klasifikasi K-Nearest Neighbor (K-NN) yang diawali dengan proses prepocessing yang terdiri dari operasi cropping dan resizing, RGB to grayscale, RGB to CMYK, filling, deteksi tepi, dan deteksi jarak. Kata Kunci : telur ayam negeri, DCT, FCH, RGB

Deteksi Kualitas Dan Kesegaran Telur Ayam Negeri Berdasarkan Segmentasi Warna Menggunakan Metode Fuzzy Color Histogram (fch) Dan Histogram Equalization Dengan Klasifikasi K-nearest Neighbor (k-nn) Pada Citra Digital Gita Meirinda; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Telur ayam adalah bahan makanan yang biasa dikonsumsi oleh masyarakat Indonesia. Disamping harganya yang murah, telur memiliki protein yang bermutu tinggi dan memiliki susunan asam amino essensial yang lengkap sehingga telur banyak dijadikan sebagai bahan olahan makanan, seperti roti dan pizza. Akan tetapi, telur yang dihasilkan dari masing-masing peternakan memiliki perbedaan kualitas dan kesegaran. Kualitas dan kesegaran ini salah satunya dapat dilihat dari ketinggian albumen/putih telur, semakin tebal albumen telur, maka kualitas dan kesegarannya akan semakin baik. Kualitas kuning telur dapat dilihat dari warna kuning telur. Warna kuning telur memiliki tingkatan dari 1 sampai 15. Biasanya untuk menentukan tingkat warna kuning telur, digunakan alat yang disebut dengan Yolk Color Fan. Namun, untuk mencocokkan warna kuning telur dengan menggunakan Yolk Color Fan secara kasat mata, hasil yang didapat akan bersifat subjektif sehingga adanya perbedaan perspektif yang disebabkan oleh beberapa faktor seperti cahaya dan perbedaan kemampuan penglihatan seseorang. Dalam Tugas Akhir ini penulis membahas bagaimana cara mendeteksi kualitas dan kesegeran dari bagian albumen, dan mendeteksi kualitas kuning telur dari warna kuning telur ayam negeri. Terdapat beberapa metode yang dapat digunakan untuk mendeteksi kualitas dan kesegaran telur dan kuning telur. Pada Tugas Akhir ini penulis menggunakan metode Fuzzy Color Histogram (FCH), Histogram Equalization dan deteksi tepi dengan klasifikasi K-Nearest Neighbor (K-NN) yang diawali dengan proses prepocessing yang terdiri dari operasi cropping dan resizing, RGB to grayscale, RGB to CMYK, RBG to HSV, otsu, Strel (Disk- 12), threshold, erosi, filling, deteksi tepi dan deteksi jarak. Hasil penelitian Tugas Akhir ini didapatkan nilai akurasi deteksi kualitas kuning telur adalah 76% dengan waktu komputasi 5.707324s detik, dan nilai akurasi deteksi kualitas kesegaran telur adalah 65%. Diharapkan dengan kemampuan sistem ini, dapat membantu pengguna Yolk Color Fan sehingga dapat dijadikan standar akurasi yang tepat dalam pengukuran kualitas kuning telur dan juga kualitas telur ayam negeri. Kata kunci: Histogram Equalization, Fuzzy Color Histogram (FCH), K-Nearest Neighbor (K-NN)

Deteksi Kualitas Keju Dengan Metode Gabor Wavelet Dan Klasifikasi Learning Vector Quantization (lvq) Berbasis Android Afina Fatharani; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstrak Keju adalah makanan yang terbuat dari susu dengan memanfaatkan proses fermentasi atau olahan susu yang mempunyai rasa gurih dan umumnya berwarna kuning. Dalam menggunakan keju sebagai bahan konsumsi, perlu memperhatikan kualitas yang digunakan. Keju yang digunakan adalah masih layak untuk dikonsumsi atau tidak. Faktor-faktor yang mempengaruhi ketidaklayakan keju untuk dikonsumsi biasanya karena sudah melewati batas tanggal kadaluarsa. Selain itu, suhu yang tidak sesuai juga dapat memengaruhi kelayakan kualitas keju. Cara yang biasanya dilakukan untuk mengetahui kualitas keju masih layak atau tidak untuk dikonsumsi adalah dengan melihat secara visual perubahan warna dan teksturnya. Namun terkadang dalam memastikannya dengan cara mencoba mencicipi keju akibat keterbatasan visual manusia. Dalam tugas akhir penulis membuat penelitian mengenai deteksi kualitas keju dengan teknik pengolahan citra untuk mempermudah pengindentifikasian kualitas keju melalui pengamatan pola tekstur. Penulis menggunakan metode ektraksi ciri Gabor Wavelet dengan parameter frekuensi spasial, orientasi filter, standar deviasi, dan rasio filter. Klasifikasi Learning Vector Quantization (LVQ) dengan parameter Epoch, Learning rate dan minimum error. Penelitian tugas akhir menggunakan software Android Studio untuk implementasi aplikasi deteksi kualitas keju. Implementasi berdasarkan serangkaian proses pengujian dan pengamatan terhadap beberapa 48 sample citra uji dan 8 sample citra latih yang diambil menggunakan microscop digital. Dari penelitian diperoleh waktu komputasi sistem 20.69 s dan akurasi sistem 85.42%. Diharapkan hasil dari penelitian dapat mempermudah mengetahui idetentifikasi keju berkualitas baik atau tidak. Kata kunci : Keju, Gabor Wavelet, Learning Vector Quantization. Abstract Cheese is food made from milk by utilizing the fermentation process or processed milk which has a savory taste and is generally yellow. In using cheese as a consumption material, it is necessary to pay attention to the quality used. Cheese used is still suitable for consumption or not. Factors that influence the unworthiness of cheese to be consumed usually because it has passed the expiration date. In addition, inappropriate temperatures can also affect the feasibility of cheese quality. The way that is usually done to find out the quality of cheese is still feasible or not to be consumed is to see visually changes in color and texture. But sometimes in ensuring it by trying to taste cheese due to human visual limitations. In the final task the author makes a study on the detection of cheese quality with image processing techniques to facilitate identification of cheese quality through observation of texture patterns. The author uses the Gabor Wavelet feature extraction method with spatial frequency parameters, filter orientation, standard deviation, and filter ratio. Classification of Learning Vector Quantization (LVQ) with Epoch parameters, Learning rate and minimum error. Final task research using Android Studio software for the implementation of cheese quality detection application. Implementation is based on a series of testing processes and observations of some 48 test image samples and 8 training image samples taken using digital microscopes. From the research, the system computation time was 20.69 s and the system accuracy was 85.42%. It is expected that the results of the study can facilitate the identification of good quality cheese or not Keywords: Cheese, Gabor Wavelet, Learning Vector Quantization.

Estimasi Bobot Karkas Sapi Berdasarkan Metode Region Growing Dan Klasifikasi K-nn Distyan Putra Agrisativa; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Sapi adalah hewan ternak yang banyak dimanfaatkan oleh manusia. Salah satu pemanfaatannnya adalah sebagai bahan pangan. Di Indonesia konsumsi daging sapi terus meningkat setiap tahunnya. Dengan meningkatnya konsumsi daging setiap tahunnya, menandakan agribisnis sapi merupakan salah satu bisnis yang menjanjikan. Ukuran keberhasilan dalam manajemen pemeliharaan sapi potong adalah dengan melihat produktivitasnya, yaitu didapatkannya ternak sehat diikuti bobot karkas yang relatif besar. Oleh karena itu, proses penentuan bobot sapi merupakan salah satu hal penting dalam agribisnis sapi potong. Bobot badan sapi dapat diperoleh dengan mengukur lingkar dada, panjang badan, dan penimbangan. Namun cara tersebut kurang praktis dan masih memiliki beberapa kendala. Image processing dapat digunakan untuk mengestimasi bobot karkas sapi dan diharapkan prosesnya lebih efektif dan efisien. Dalam mendapatkan estimasi bobot karkas sapi secara optimal ada beberapa tahap yang perlu dilakukan yaitu : pre-processing, segmentasi citra, ekstraksi ciri dan klasifikasi. Metode segmentasi yang digunakan adalah Region Growing untuk memisahkan citra sapi dengan background. Melalui segmentasi ditemukan ciri berupa lebar dada dan panjang badan sapi yang digunakan dalam perhitungan mengestimasi bobot karkas sapi dan proses klasifikasi. Klasifikasi yang digunakan adalah K- Nearest Neighbor (K-NN), bekerja dengan mengklasifikasikan objek berdasarkan data pembelajaran dalam jarak paling dekat dengan objek. Perolehan hasil dari serangkaian proses di atas adalah sebuah aplikasi Matlab yang dapat mengestimasi berat karkas sapi dari citra digital dan melakukan klasifikasi sapi menjadi sapi berukuran besar dan sedang. Pada tugas akhir ini diperoleh hasil akurasi bobot karkas sebesar 88.2% dengan waktu komputasi rata-rata 61.2 detik. Sedangkan akurasi berdasarkan K-NN sebesar 75% dimana lebih baik daripada penelitian sebelumnya yang menggunakan Graph Partitioning dan Klasifikasi K-NN dengan akurasi sebesar 64.7%. Kata Kunci : Bobot karkas sapi, Region Growing, K- Nearest Neighbor.

Identifikasi Dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemrosesan Sinyal Video Menggunakan Metode Discrete Wavelet Transform (dwt) Dan Learning Vector Quantization (lvq) Nadia Aisyah Permata Putri; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Susu sapi murni merupakan susu sapi yang kandungan alaminya tidak dikurangi atau ditambah sesuatu apapun dan belum mendapat perlakuan apapun. Banyak produsen susu sapi murni yang mencampurkan bahan atau komponen lain agar susu sapi murni tersebut mengalami peningkatan dalam hal kuantitas atau volume. Dengan dilakukannya pencampuran, maka para pedagang memungkinkan untuk memperoleh keuntungan lebih banyak. Sulit bagi konsumen untuk membedakan susu sapi murni dan yang telah dicampur dengan bah an lain. Dalam mengetahui kemurniannya, penulis mengusulkan sistem untuk identifikasi dan klasifikasi kemurnian susu sapi berdasarkan pemrosesan sinyal video menggunakan metode Discrete Wavelet Transform (DWT) dan Learning Vector Quantization (LVQ) yang diaplikasikan melalui perangkat lunak (software) MATLAB. Adapun tahapan yang dilakukan adalah akuisisi, pre-processing, ekstraksi ciri, hingga tahap terakhir klasifikasi. Berdasarkan identifikasi dan klasifikasi, didapatkan akurasi 62,5% terhadap warna tetes an bulir susu sapi, akurasi 70% terhadap bentuk tetesan bulir susu sapi, dan 4 frames terhadap waktu tempuh tetesan bulir susu sapi. Kata Kunci : Susu sapi murni, Discrete Wavelet Transform (DWT), Learning Vector Quantization (LVQ)

Title

Found 24 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 24 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 24 Documents
Search