Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Sjafril Darana
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 24 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 24 Documents
Search

 1   2   3 
Deteksi Kualitas Keju Menggunakan Metode Gabor Wavelet Dengan Klasifikasi K-nearest Neighbor (k-nn) Pada Citra Digital Nadiya Ibrahim; 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

Abstract

Keju adalah bahan makanan yang terbuat dari olahan susu dengan memisahkan zat –zat padat dalam susu melalui proses pengentalan atau koagulasi. Keju merupakan salah satu bahan makanan yang digemari oleh masyarakat selain cita rasanya yang lezat, keju juga mempunyai kandungan protein yang tinggi dan dapat disajikan dengan hampir seluruh makanan, yang paling umum digunakan adalah untuk membuat pizza. Tetapi, keju yang dihasilkan dari setiap produsen memiliki perbedaan kualitas. Kualitas ini salah satunya dapat dilihat dari warna.Keju yang berkualitas baik berwarna kuning tanpa ada corak atau noda kehitaman, jika terdapat corak atau noda kehitaman pada keju, dapat diindikasikan itu adalah jamur. Kualitas keju yang baik juga kita bisa lihat dari teksturnya, kita dapat melihat dengan kasat mata atau dengan meraba permukaan keju. Banyaknya masyarakat Indonesia yang tidak mengetahui bahwa setelah keju cheddar dibuka, maka ada batas hari layak makan. Secara kasat mata kualitas keju cheddar layak makan ini tidak bisa dilihat. Hal inilah yang menjadi latar belakang di pilihnya judul tugas akhir ini. Pada sistem pengolahan citra digital, setiap citra bisa dianalisis dan diklasifikasikan berdasarkan fitur yang diperoleh dari citra objek. Untuk memahami kualitas keju bisa dilakukan melalui citra keju yang sudah diamati selama 15 hari. Dalam Tugas Akhir ini penulis membahas bagaimana cara mendeteksi kualitas keju dari warna dan tekstur. Terdapat beberapa metode yang dapat digunakan untuk mendeteksi kualitas keju.Pada Tugas Akhir ini penulis menggunakan metode Gabor Wavelet dengan klasifikasi K-Nearest Neighbor (K-NN). yang diawali dengan proses prepocessing. Untuk pengujian ini dilakukan pengujian dengan 48 citra keju, dengan komposisi masing-masing kelas memiliki 16 citra keju sangat layak makan, 16 citra keju layak makan, dan 16 citra keju tidak layak makan. Sehingga didapatkan akurasi terbaik sebesar 91,67% dan waktu komputasi 69,6s dengan menggunakan metode Gabor Wavelet dimana digunakan ekstraksi ciri berdasarkan tekstur dan warna dengan parameter: parameter orde satu (standar deviasi dan kurtosis), d1=32, d2=32, k = 5, distance euclidean. Kata kunci: Gabor Wavelet, K-Nearest Neighbor (K-NN)
Identifikasi Dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemrosesan Sinyal Video Menggunakan Metode Discrete Cosine Transform (dct) Dan Support Vector Machine (svm) Kinanti Balqis Maharani; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Kesadaran masyarakat akan kesehatan sudah semakin tinggi, begitu pula mengenai makanan dan minuman. Susu merupakan salah satu minuman yang bermanfaat untuk tubuh dan kesehatan manusia, yang terbentuk dari olahan gizi hewan diantaranya berasal dari sapi perah yang mengandung protein dan kalsium yang dapat menjaga kesehatan gigi dan tulang. Mengingat bahan bersangkutan berbentuk cairan maka konsekuensinya yaitu sukar untuk diketahui kemurniannya secara kasat mata, terutama yang berada dipasaran. Susu mudah dipalsukan dengan cara dipalsukan dengan menambahkan bahan lain. Atas dasar informasi terdahulu, adalah sangat layak dicari suatu model kearah penetuan kondisi kemurniaannya. Pada penelitian ini penulis bertujuan untuk mengidentifikasikan kemurnian pada susu sapi dengan cara melihat dari hasil rekaman video tetesan bulir-bulir susu sapi, dengan cara melihatnya frame by frame agar dapat menetukan jatuhnya bulir susu sapi per tetesan. Deteksi yang akan dilakukan menggunakan metode Discrete Cosine Transform (DCT) dan klasifikasi dengan Support Vector Machine (SVM). Discrete Cosine Transform adalah sebuah teknik yang digunakan untuk merubah sinyal menjadi komponen frekuensi dasar Sedangkan SVM sendiri adalah sebuah metode klasifikasi dengan tujuan menemukan hyperplane terbaik yang memisahkan kelaskelas yang ada. Berdasarkan hasil skenario pengujian terhapad sistem identifikasi dan klasifikasi kemurnian susu sapi dengan parameter kecepatan jatuhnya bulir susu sapi,warna dan bentuk tetesan jatuh nya bulir susu sapi, hasil tertingggi untuk identifikasi bentuk adalah 82.5% dengan waktu komputasi 92.5589 detik dan identifiasi warna adalah 52.5% dengan waktu komputasi 5.1749 detikKata Kunci: Discrete Cosine Transform, Support Vector Machine
Perancangan Aplikasi Deteksi Kualitas Keju Berbasis Android Menggunakan Metode Gray Level Co-occurrence Matrix Dengan Klasifikasi Support Vector Machine Arfhan Setiawan; 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

Abstract

Abstrak Keju cheddar merupakan salah satu produk olahan susu yang dihasilkan melalui bantuan bakteri untuk dilakukan fermentasi. Hasil dari fermentasi tersebut adalah proses koagulasi atau pengentalan yang menghasilkan zat padat pada susu. Zat padat tersebut itulah yang menjadi keju setelah dikeringkan, diproses dan diawetkan dengan cara tertentu. Kandungan nutrisi yang terdapat pada keju cheddar sama halnya dengan susu, yaitu terdapat protein, vitamin, mineral, kalsium, fosfor dan lemak. Kualitas keju yang baik dapat dilihat salah satunya dari tekstur. Dilihat dari permukaan keju cheddar apakah terdapat jamur atau tidak. Menentukan kualitas tekstur keju cheddar yang baik secara detail dapat dilihat dengan menggunakan mikroskop digital dan bantuan dari pengolahan citra digital. Dengan menggunakan pengolahan citra dapat memudahkan penentuan dan pengelompokkan kualitas keju cheddar. Pada tugas akhir, penulis telah membuat sebuah aplikasi berbasis Android untuk deteksi kualitas keju cheddar dengan teknik pengolahan citra digital. Aplikasi dapat menganalisis pola tekstur citra keju cheddar melalui ekstraksi ciri lalu selanjutnya diklasifikasikan untuk mengidentifikasi kualitas keju cheddar berdasarkan kriteria kelayakan yaitu sangat layak makan, layak makan dan tidak layak makan. Metode ekstraksi ciri yang digunakan adalah Gray Level Co-Occurrence Matrix yang mampu menganalisa pola tekstur pada citra, sedangkan untuk metode pengklasifikasian menggunakan Support Vector Machine yang baik dalam pengklasifikasian pola tekstur pada citra digital. Untuk pengujian, dilakukan pengambilan beberapa sampel citra dengan mengambil foto keju cheddar menggunakan mikroskop digital. Jumlah sampel citra uji sebanyak 48, jumlah citra latih sebanyak 24 dan jumlah kelas sebanyak 3 kelas. Dari penelitian, diperoleh hasil tingkat akurasi aplikasi sebesar 81.25 % dan waktu komputasi aplikasi 19.52 detik pada pengujian dengan ukuran resize 350 * 450 piksel. Hasil dari dilakukannya pengujian ini mempermudah dalam mengetahui kualitas keju cheddar yang lebih efektif. Kata kunci: Gray Level Co-occurrence Matrix, Support Vector Machine, Keju Cheddar Abstract Cheddar Cheese is one of dairy product that produced with help of bacteria to be fermented. The results of the fermentation that is coagulation process that will produce milk solids. The milk solids will become cheddar cheese after being dried, processed and preserved in a certain way. Nutritional content in cheddar cheese is the same as milk, such as protein, vitamins, minerals, calcium, phosphorus and fat. Quality of good cheedar cheese can be seen from the texture. Viewed from the surface of the cheese whether there is mold or not. Determining the quality of good cheddar cheese texture in detail could be seen by using digital microscope with help from digital image processing. Using image processing can ease the determination and classification quality of cheddar cheese. In this final task, the author has made an Android application to detection quality of cheddar cheese with digital image processing technique. The application can analyze the texture pattern of the image of cheddar cheese through feature extraction then classified to identify the quality of cheddar cheese based on worthiness criteria which is very worth eating, worth eating and not worth eating. Feature extraction method that used is Gray Level Co-Occurrence Matrix which able to analyze texture pattern in the image, whereas for the classification method using Support Vector Machine which is good in classifying the texture pattern of digital image. For testing, a few samples were taken by taking photos of cheddar cheese using a digital microscope. The number of testing data samples is 48, the number of training data is 24 and the number of class is 3 classes. The highest result of the research is 81.25 % of application accuracy rate and application computing time is 19.52 seconds on the testing with 350 * 450 pixel resize. The results of this test will make it easier to know the quality of cheddar cheese more effective Keywords: Gray Level Co-occurrence Matrix, Support Vector Machine, Cheddar Cheese
Klasifikasi Jenis Kualitas Keju Dengan Menggunakan Metode Gray Level Co-occurrence Matrix (glcm) Dan Support Vector Machine (svm) Pada Citra Digital Reni Anggraini; 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

Abstract

Keju mengandung vitamin A, B, dan D, serta berbagai mineral penting bagi tubuh kita seperti, phosphor dan kalsium. Banyaknya masyarakat Indonesia yang tidak mengetahui bahwa setelah keju cheddar dibuka, maka ada batas hari layak makan. Secara kasat mata kualitas keju cheddar layak makan ini tidak bisa dilihat. Hal inilah yang menjadi latar belakang dipilihnya judul tugas akhir ini. Pada sistem pengolahan citra digital, setiap citra bisa dianalisis dan diklasifikasikan berdasarkan fitur yang diperoleh dari citra objek. Untuk memahami kualitas keju bisa dilakukan melalui citra keju yang sudah diamati selama 15 hari. Dalam Tugas Akhir ini penulis membahas bagaimana cara mengklasifikasikan jenis kualitas dari keju. Terdapat beberapa metode yang dapat digunakan untuk klasifikasi kualitas keju. Pada Tugas Akhir ini penulis menggunakan metode ekstraksi ciri Gray Level Co- Occurrence Matrix (GLCM) dengan klasifikasi Support Vector Machine (SVM) yang diawali dengan proses prepocessing. Untuk pengujian ini dilakukan pengujian dengan 48 citra keju, dengan komposisi masing-masing kelas memiliki 16 citra keju sangat layak makan, 16 citra keju layak makan, dan 16 citra keju tidak layak makan. Sehingga didapatkan akurasi terbaik sebesar 97.9167% dengan waktu komputasi 0.0286s dengan menggunakan metode GLCM dimana digunakan ekstraksi ciri berdasarkan tekstur dan warna dengan parameter orde dua (kontras dan homogenitas), arah 0°, d= 2pixel, kernel polynomial, dan jenis multiclass OAO. Kata kunci: keju, gray level co-occurrence matrix (GLCM), support vector machine (SVM)
Identifikasi Dan Klasifikasi Kemurnian Susu Sapi Berdasarkan Pemrosesan Sinyal Video Menggunakan Metode Local Binary Pattern (lbp) Dan Learning Vector Quantization (lvq) Denanda Syahnurreza Auladi; 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

Abstract

Susu sapi merupakan hasil ternak yang khasiatnya tidak diragukan, mengingat mengandung protein, karbohidrat, lemak, mineral dan vitamin. Susu sapi murni tentu menjadi idaman bagi seluruh masyarakat konsumen, terlebih tidak tercampur bahan lain, seperti pemanis dan pengawet. Kini secara faktual telah banyak pedagang menjual susu sapi dari toko-toko hingga di pinggiran jalan. Perlu untuk dipahami, karena material susu sapi berbentuk cairan, maka kondisi kemurniannya tidak mudah terjamin. Bertumpu dengan melihat, mencium baunya, bahkan merasakannya bila bukan ahlinya memang sangat sukar untuk dapat dipertanggung-jawabkan. Maka dari itu, kemurnian susu sapi menjadi hal penting dalam mempertaruhkan jaminan mutu bagi setiap peminatnya. Dalam upaya mendeteksi murni atau telah tercampurnya susu sapi, maka diperlukan suatu modul teknologi yang mampu menampakkan signifikasi perbedaan kualitasnya. Oleh karena itu, diperlukan adanya suatu rancangan melalui sistem teknik pemrosesan sinyal video. Adapun video yang dimaksud yaitu, dilakukannya perekaman tetesan susu sapi. Selanjutnya diproses dengan metode ekstraksi ciri Local Binary Pattern (LBP) dengan menjumlahkan struktur lokal pada citra yang bekerja pada mode warna greyscale dan bekerja menggunakan 8 ketetanggaan yang tersebar secara melingkar serta mengklasifikasikannya menggunakan metode Learning Vector Quantization (LVQ) dengan cara melakukan pendekatan vektor input berdasarkan kedekatan jarak vektor input terhadap bobot. Setelah melakukan beberapa skenario pengujian terhadap sistem idetifikasi dan klasifikasi kemurnian susu sapi dengan parameter bentuk dan warna, hasil akurasi teritinggi untuk identifikasi bentuk adalah 67.5% dengan waktu komputasi 36 detik dan identifikasi warna adalah 55% dengan waktu komputasi 75 detik Kata Kunci : Susu Sapi, Pemrosesan Sinyal Video, Ekstraksi Ciri, Local Binary Pattern, Learning Vector Quantization
Deteksi Kualitas Dan Kesegaran Telur Berdasarkan Segmentasi Warna Dengan Metode Fuzzy Color Histogram Dan Wavelet Dengan Klasifikasi Knn Annisa Faraditha Basuki; Bambang Hidayat; Sjafril Darana
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Telur merupakan bahan makanan yang sangat akrab dengan kehidupan kita sehari-hari. Setiap telur mempunyai warna kuning telur yang berbeda tipis. Kuning telur mempunyai 15 tingkatan ( 15 grade) yang bisa dilihat dari alat yang bernama Yolk Color Fan ,sehingga dapat diklasifikasikan ke dalam perbedaan kuning telur. Hal inilah yang menjadi latar belakang topik tugas akhir ini yaitu klasifikasi kuning telur. Seperti kita ketahui perkembangan teknologi dibidang pengolahan citra digital sudah sangat pesat tepatnya teknik pengenalan pola suatu citra digital sehingga digunakan pengolahan citra digital untuk mengklasifikasikan kuning telur pada ayam negeri. Dalam tugas akhir ini penulis membahas mengenai teknik untuk mengklasifikasikan kualitas dan kesegaran telur dari bagian albumen dan mendeteksi kualitas kuning telur dari warna kuning telur ayam dengan menggunakan pengolahan citra digital. 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), Discrete Wavelet Transform (DWT) 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, DWT, FCH, KNN
Estimasi Bobot Karkas Sapi Berdasarkan Metode Gabor Wavelet Dan Klasifikasi Support Vector Machine Multiclass Vallen Ariesandi; 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

Abstract

Hewan ternak dibagi menjadi dua berdasarkan ukurannya, yaitu kecil dan besar. Contoh dari ukuran ternak skala kecil terdiri dari ikan, unggas, kelinci dll. Dalam proses penimbangan, menimbang bobot badan hewan ternak dalam skala kecil bisa langsung dilakukan dengan mudah dibandingkan menimbang bobot badan hewan ternak dalam skala besar. Banyak metode yang digunakan dalam menimbang bobot ternak berskala besar seperti sapi potong. Salah satu metodenya adalah konvensional dan bobot sapi ini dinamakan karkas. Metode ini masih memiliki berbagai kendala. Berkembangnya Teknologi, Informasi dan Komunikasi memberi terobosan baru dalam membantu proses penimbangan sapi dengan menggunakan pengolahan citra digital. Pengolahan citra digital dapat dilakuakan dengan menggunakan algoritma tertentu yang dapat mengenali objek. Tugas akhir ini merancang dan menerapkan sistem dengan penggunaan teknik pengolahan citra digital yang dapat mempermudah prediksi dan klasifikasi dari bobot karkas, dengan langkah-langkah : akuisisi citra, pre-processing, ektraksi ciri dan klasifikasi. Metode ekstrasi ciri yang digunakan pada tugas akhir ini adalah Gabor Wavelet yang menghasilkan beberapa ciri (feature) berupa sebuah nilai. Ciri yang didapat diproses dalam klasifikasi Multiclass SVM. Jumlah data yang digunakan sebanyak 10 data latih dan 8 data uji. Pada tugas akhir ini mendapatkan akurasi terbaik dengan nilai 77.78% serta waktu komputasi sebesar 20,25608 detik. Sistem pada tugas akhir ini memiliki tingkat akurasi yang lebih baik dari penelitian sebelumnya yang menggunakan metode segmentasi K – Means Clustering yang mempunyai akurasi 74%, dan metode Regresi Linier dengan akurasi 71.4712%. Namun, penelitian ini masih kurang dibandingkan dengan penelitian sebelumnya yang menggunakan metode segmentasi Graph Partitioning dengan akurasi 82.19 % dan metode segmentasi Mean Shift dengan akurasi 89 %. Diharapkan kemampuan sistem ini dapat membantu memberikan manfaat untuk dunia peternakan khusus nya peternakan sapi di Indonesia Kata kunci : Bobot karkas, Ekstrasi Ciri, Gabor Wavelet, Multiclass SVM
Deteksi Kualitas Keju Berdasarkan Segmentasi Warna Dan Tekstur Dengan Metoda Discrete Cosine Transform (dct) Dengan Klasifikasi K- Nearest Neighbor (k-nn) Pada Citra Digital Reni Dyah Wahyuningrum; 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

Abstract

Keju adalah produk susu yang dihasilkan dari fermentasi ringan dimana proses fermentasi bisa dilakukan oleh bakteri asam laktat atau jamur. Keju menjadi bahan makanan yang dikonsumsi masyarakat Indonesia sebagai pelengkap rasa pada makanan. Keju memiliki protein yang cukup tinggi sehingga keju banyak dijadikan sebagai pelengkap olahan makanan, seperti roti, pizza, dan pasta. Akan tetapi, keju yang diproduksi dari masing- masing perusahaan memiliki perbedaan kualitas dan tekstur. Banyaknya masyarakat Indonesia yang tidak mengetahui bahwa setelah keju cheddar dibuka, maka ada batas hari layak makan. Secara kasat mata kualitas keju cheddar layak makan ini tidak bisa dilihat. Hal inilah yang menjadi latar belakang di pilihnya judul tugas akhir ini. Pada sistem pengolahan citra digital, setiap citra bisa dianalisis dan diklasifikasikan berdasarkan fitur yang diperoleh dari citra objek. Untuk memahami kualitas keju bisa dilakukan melalui citra keju yang sudah diamati selama 15 hari. Dalam Tugas Akhir ini penulis membahas bagaimana cara mengklasifikasikan jenis kualitas dari keju. Terdapat beberapa metode yang dapat digunakan untuk klasifikasi kualitas keju. Pada Tugas Akhir ini penulis menggunakan metode ekstraksi ciri Discrete Cosine Transform (DCT) dengan klasifikasi K- Nearest Neighbor (K- NN) yang diawali dengan proses prepocessing. Untuk pengujian ini dilakukan pengujian dengan 48 citra keju, dengan komposisi masing-masing kelas memiliki 16 citra keju sangat layak makan, 16 citra keju layak makan, dan 16 citra keju tidak layak makan. Sehingga didapatkan akurasi terbaik sebesar 85.41 % dan waktu komputasi 0.6152s dengan menggunakan metode DCT dimana digunakan ekstraksi ciri berdasarkan tekstur dan warna dengan parameter: parameter orde satu (standar deviasi dan kurtosis), blok 50, k= 1, distance euclidean. Kata Kunci : Keju, Discrete Cosine Transform (DCT), K-Nearest Neighbor (K-NN).
Deteksi Kualitas Dan Kesegaran Telur Ayam Berbasis Deteksi Objek Transparan Dengan Metode Discrete Cosine Transform (dct) Dengan Klasifikasi K-nearest Neighbor (k-nn) Novita Yusnia Tri Handayani; 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

Abstract

Telur ayam merupakan salah satu bahan makanan yang banyak di konsumsi masyarakat pada umunya. Selain itu telur juga sangat di kenal sebagai makanan yang memiliki sumber protein yang sangat tinggi. Telur yang dihasilkan dari masing-masing peternakan akan memiliki kualitas dan kesegaran telur yang berbeda-beda. Kualitas dan kesegaran telur dapat dilihat dari ketinggian putih telur tersebut. Salah satu faktor yang mengakibatkan kualitas dan kesegaran telur itu menurun adalah cara dan lama penyimpanan serta suhu pada tempat penyimpanan telur tersebut. Warna kuning telur dapat di ukur dengan menggunakan alat yang dinamakan Yolk Color Fan. Pada Tugas Akhir ini penulis akan menghasilkan simulasi pendeteksi kualitas dan kesegaran telur ayam yang berbasis objek transparan dengan menggunakan metode Discrete Cosine Transform (DCT) dengan klasifikasi K-Nearest Neighbor (KNN). Dengan adanya Tugas Akhir ini penulis berharap penelitian dapat bermanfaat bagi masyarakat untuk menentukan kualitas dan kesegaran telur yang dilihat dari putih telur tersebut dengan cara yang lebih efektif sehingga mencapai tingkat akurasi yang diharapkan sebesar 90%. Kata kunci: Telur, Yolk Color Fan, Discrete Cosine Transform (DCT), K-Nearest Neighbor (KNN), Objek Transparan
Estimasi Berat Karkas Dan Klasifikasi Daging Sapi Berdasarkan Deteksi Tepi Canny, Discrete Wavelet Transform, Dan Support Vector Machine Mona Renasari; 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

Abstract

Dewasa ini, permintaan akan produk sapi di Indonesia terus meningkat, khususnya menyangkut akan daging sapi. Bobot sapi merupakan indikator yang paling penting untuk mengetahui keberhasilan pemeliharaan dan pertumbuhannya. Peternak umumnya melihat bobot hidup sapi untuk menentukan harga sapi dalam bidang pemasaran. Berbagai cara yang dilakukan untuk mengetahui bobot sapi, salah satunya dengan menggunakan timbangan ternak. Namun keadaan di lapangan, mengingat minimnya fasilitas timbangan ternak, sehingga peternak harus melakukan penafsiran bobot badan secara subjektif. Hal tersebut dinilai tidak efektif, karena dapat merugikan calon pembeli daging sapi. Solusi yang tepat pada masalah diatas yaitu bidang Teknologi Informasi dan Komunikasi dapat diaplikasikan dengan menggunakan pengolahan citra untuk mengetahui akurasi ukuran fisik tubuh ternak sapi (lebar dada dan panjang badan). Pengolahan citra dilakukan dengan proses segmentasi citra dengan mengabaikan background dan objek-objek yang ada disekitar sapi yang bersifat mengganggu (noise). Setelah itu, akan dilakukan proses identifikasi untuk mendapatkan ukuran panjang badan dan lebar dada ternak sapi. Tugas akhir bertujuan untuk mengetahui berat karkas sapi, dengan memanfaatkan pengolahan citra. Teknik yang digunakan untuk segmentasi sapi adalah metode Discrete Wavelet Transform (DWT) dan klasifikasinya menggunakan Support Vector Machine (SVM). Estimasi bobot karkas sapi dirancang mengunnakan aplikasi berbasis Matlab. Metode DWT dan klasifikasi SVM dapat menghasilkan suatu sistem yang memiliki estimasi bobot sapi sebesar 86.1% dan akurasi klasifikasi sebesar 85% dengan waktu komputasi 6.6175 detik. Kata Kunci: Discrete Wavelet Transform, Support Vector Machine, Karkas sapi
Co-Authors Afina Fatharani Annisa Faraditha Basuki Arfhan Setiawan Bambang Hidayat Denanda Syahnurreza Auladi Devi Utami Nur Indah Sari Distyan Putra Agrisativa Efri Suhartono Gita Meirinda Haidar Maghrifa Ahmad Hasna Maharani Kinanti Balqis Maharani Mona Renasari Muhammad Taufiq Alkautsar Mutia Henarta Nadia Aisyah Permata Putri Nadiya Ibrahim Ngurah Putu Oka Harybuana Novita Yusnia Tri Handayani Reni Anggraini Reni Dyah Wahyuningrum Sri Muliawati Syifa Mellynda Prisca Vallen Ariesandi Wulan Dwi Suryandari Yeni Ernita Kusuma Wardani