Aplikasi Pendeteksi Daging Sapi dan Babi Mentah Pada Smartphone Android

(1)

DAFTAR PUSTAKA

[1] Putra, Darma. 2010. Pengolahan Citra Digital. Yogyakarta : Penerbit Andi [2] E. Budinita, Jasril, L. Handayani, “Implementasi Pengolahan Citra dan

Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi,” Jurnal Sains, Teknologi dan Industri, Vol-12, No.2, pp. 242-247, 2015

[3] A. F. Hartono, D. Z. Abidin, “Implementasi Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Pengenalan Citra Daging Babi dan Citra Daging Sapi,” UNNES Journal of Mathematics, pp. 124-130, 2012

[4] Daging Sapi. Diakses Maret 03, 2016, dari

https://id.wikipedia.org/wiki/Daging_sapi

[5] Daging Babi. Diakses Maret 03, 2016, dari

https://id.wikipedia.org/wiki/Daging_babi

[6] Mengenal Beda Daging Sapi dan Daging Babi. Diakses Maret 03, 2016 dari http://itp.fateta.ipb.ac.id/id/index.php?option=com_content&task=view&id= 93&Itemid=94

[7] Kadir, Abdul dan Susanto, Adhi. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta : Penerbit Andi

[8] Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan Pemogramannya. Yogyakarta : Penerbit Andi

[9] Metode Jaringan Syaraf Tiruan : Multilayer Perceptron. Diakses Juni 21, 2016, dari

(2)

[10] Neuroph Framework , diakses 12 Agustus 2016,

[11] API Guides, diakses 12 Agustus 2016,

(3)

BAB III

PERANCANGAN SISTEM 3.1. Umum

Pada bab ini akan dibahas proses akusisi citra, preprocessing, pembentukan jaringan, pelatihan jaringan dan proses pendeteksian daging sapi dan daging babi menggunakan jaringan syaraf tiruan sekaligus perancangan aplikasi pada smartphone android.

3.2. Spesifikasi Perangkat Penelitian

Adapun spesifikasi perangkat penelitian yang digunakan untuk melakukan perancangan aplikasi adalah :

3.2.1.Perangkat Keras

Perangkat keras yang digunakan untuk melakukan perancangan penelitian adalah :

1. Laptop Lenovo G400S, dengan spesifikasi sebagai berikut : a. Processor Intel(R) Core(TM) i3-3210M 250 GHz

b. Memory 4.00 GB DDR3 c. Harddisk 1.00 TB

2. Smartphone Sony Xperia C2305, dengan spesifikasi sebagai berikut : a. Processor Mediatek MT6589 Quad-core 1.2GHz

b. Memory 4 GB, 1 GB RAM

(4)

3.2.2.Perangkat Lunak

Spesifikasi perangkat lunak yang digunakan adalah :

a. Sistem Operasi Windows 8.1 Pro b. Matlab R2012a

c. Neuroph Studio 2.6 d. NeatBeans IDE 8.1

e. Sistem Operasi Android 4.2.2 (Jelly Bean) 3.3. Perancangan Alur Penelitian

Tujuan dari tugas akhir ini ialah sistem mampu mendeteksi daging sapi dan daging babi menggunakan jaringan syaraf tiruan dan dapat diimplementasikan pada smartphone android. Guna mencapai tujuan penelitian, perancangan alur penelitian dilakukan sesuai alur pada Gambar 3.1.

Mulai

Akusisi Citra

Preprocessing

Training Citra dengan Jaringan

Syaraf Tiruan

Perancangan Aplikasi Android

(5)

Berdasarkan Gambar 3.1, aplikasi yang dibuat terdiri dari 4 tahap yaitu akusisi citra, tahapan preprocessing, proses pelatihan, dan perancangan aplikasi pada Smartphone Android.

3.4. Akusisi Citra

Tahap akusisi citra menjadi hal yang cukup berpengaruh untuk proses pengolahan citra selanjutnya karena proses pengambilan informasi yang diinginkan pada citra daging yang akan dikenali terjadi pada tahap ini. Gambar 3.2 memperlihat hasil akusisi dari citra daging.

(a) (b)

Gambar 3.2 Hasil Akusisi Citra (a) Daging Sapi (b) Daging Babi Pengambilan citra daging dilakukan pada siang hari berkisar antara pukul 12.00-13.00 WIB dengan kondisi cuaca cerah dan citra diambil tegak lurus dari objek. Pengambilan citra dilakukan dengan menggunakan kamera digitalSmartphone Sony Xperia C2305 dengan resolusi 8 Megapiksel.

3.5. Proses Awal (Preprocessing)

Penulis menggambarkan proses preprocessing menggunakan diagram alir yang tampak pada Gambar 3.3.

(6)

Mulai

Citra Daging Sapi dan Daging Babi

Croping dan Normalisasi Ukuran

Grayscaling

Perubahan Contras

Selesai

Gambar 3.3 Diagram Alir Preprocessing Adapun tahapan yang terkait didalam proses ini yaitu : • Proses Croping dan Normalisasi Ukuran

• Proses Grayscalling • Proses Perubahan Contras

3.5.1.Proses Croping dan Normalisasi Ukuran

Penulis membatasi penelitian sesuai batasan masalah yaitu berfokus pada pembahasan mengenai pendeteksian citra daging saja. Sehingga citra yang diambil sebagai objek yang akan dikenali sistem hanya bagian citra daging saja tanpa memerlukan latar belakang. Proses croping merupakan proses memotong

(7)

citra yang akan diolah dalam sistem mempunyai ukuran yang sama. Dalam penelitian ini ukuran citra diubah menjadi 145 x 145 piksel. Hasil croping dan normalisasi citra dapat dilihat pada Gambar 3.4.

Gambar 3.4 Hasil Croping dan Normalisasi Citra 3.5.2.Proses Grayscalling

Proses ini dilakukan dengan mengkonversi citra berwarna dengan tiga elemen RGB (Red Green Blue) menjadi bentuk grayscale dengan level 28 atau citra berskala keabuan 0-255. Proses ini dilakukan pada setiap piksel citra, dengan cara ini setiap piksel memiliki satu jenis warna dengan intensitas yang berbeda-beda. Tujuanya adalah untuk menghasilkan citra dengan intensitas yang lebih terukur agar dapat dilakukan pengolahan selanjutnya. Hasil grayscalling citra dapat dilihat pada Gambar 3.5.

(8)

3.5.3.Perubahan Contras

Citra yang diperoleh setelah proses grayscalling yang tampak pada Gambar 3.5 selanjutnya citra dipertajam untuk memperoleh dan memperjelas citra yang akan digunakan pada proses selanjutnya. Langkah ini dimaksudkan agar garis-garis serat pada daging tampak lebih jelas. Hasil ekualisasi histogram dapat dilihat pada Gambar 3.6.

Gambar 3.6 Hasil Ekualisasi Histogram 3.6. Pelatihan Citra dengan Jaringan Syaraf Tiruan

Penulis melakukan proses pelatihan menggunakan Neuroph Studio. Neuroph Studio menyediakan lingkungan untuk menciptakan dan melatih jaringan saraf tiruan, yang dapat disimpan sebagai komponen java yang siap digunakan. Juga menyediakan alat pengenalan citra khusus untuk melatih jaringan saraf untuk pengenalan citra. Proses pelatihan jaringan saraf tiruan untuk pengenalan citradigambarkan menggunakan diagram alir pada Gambar 3.7.

(9)

Hasil Preprocessing Citra

Perancangan Arsitektur Jaringan Pengenalan Citra

Pelatihan Jaringan

Uji Coba Jaringan Mulai

Selesai

Apakah Hasil Pelatihan Sudah Sesuai dengan yang Diharapkan ?

Simpan Jaringan Ya

Tidak

Gambar 3.7 Diagram Alir Training Citra Adapun tahapan yang terkait didalam proses ini yaitu : • Proses Perancangan Arsitektur Jaringan Pengenlan Citra • Proses Pelatihan Jaringan

• Proses Uji Coba Jaringan • Proses Penyimpanan Jaringan

(10)

3.6.1.Perancangan Arsitektur Jaringan Pengenalan Citra

Pada tahap ini penulis melakukan perancangan jaringan dimulai dengan pemilihan citra yang dibutuhkan untuk dilatih, citra yang digunakan penulis disini adalah citra yang sebelumnya telah melalui tahap preprocessing yang terlihat pada gambar 3.6. Proses pemilihan citra untuk dilatih diperlihatkan pada Gambar 3.8.

Gambar 3.8 Proses Pemilihan Citra yang Akan Dilatih

Pada proses ini juga mode warna yang akan digunakan dapat dipilih, baik itu dalam mode warna penuh maupun mode warna hitam dan putih. Mode hitam dan putih hanya menggunakan nilai pixel 0 dan 1. Untuk beberapa aplikasi mode warna hitam putih dapat menjadi solusi yang optimal. Tahapan selanjutnya pada proses ini ialah menentukan Training Set Label dan Image Sampling Resolution. Tahapan ini ditunjukkan pada Gambar 3.9.

(11)

Gambar 3.9 Penentuan Training Set Label dan Image Sampling

Resolution

Training set label dibutuhkan untuk mengantisipasi lebih dari satu jaringan yang digunakan dalam melakukan uji coba pelatihan. Image sampling resolution ditentukan untuk menyesuaikan semua citra yang akan dilatih dengan ukuran (lebar x tinggi) yang sama, dan membuat ukurannya lebih kecil sehingga citra yang akan dilatih dapat lebih mudah dan lebih cepat untuk belajar. Dimensi gambar menentukan ukuran vektor masukan dan jumlah neuron pada lapisan input. Tahapan selanjutnya pada proses ini ialah perancangan jaringan syaraf tiruan yang ditunjukkan pada Gambar 3.10

(12)

Network label untuk jaringan syaraf tiruan berguna apabila ingin melakukan perbandingan jaringan yang akan digunakan pada satu masalah yang sama. Transfer function menentukan fungsi transfer yang akan digunakan oleh neuron baik itu Sigmoid maupun Tanh. Hidden layers neuron count adalah pengaturan yang paling penting yang menentukan jumlah lapisan tersembunyi dalam jaringan dan jumlah neuron disetiap lapisan tersembunyi, lapisan tersembunyi adalah lapisan yang terletak antara lapisan input dan output. Setelah melakukan semua tahapan pada proses ini maka jaringan yang telah dirancang untuk melakukan pelatihan terlihat pada Gambar 3.11.

Gambar 3.11 Jaringan Pelatihan Citra 3.6.2.Pelatihan jaringan

Pelatihan jaringan dilakukan dengan melakukan pemilihan training set yang telah dirancang sebelumnya dan menentukan input parameter pelatihan yang diperlihatkan pada gambar 3.12.

(13)

Gambar 3.12 Penentuan Input Parameter Pelatihan

Setelah menentukan input parameter pelatihan, proses pelatihan akan bekerja. Selanjutnya setelah dilakukan pelatihan dilakukan pengujian terhadap hasil pelatihan, berdasarkan hasil pengujian ini pelatihan dapat dilakukan berulang kali dengan menentukan input parameter yang bervariasi sehingga mendapatkan hasil yang diinginkan. Proses terakhir adalah penyimpanan jaringan syaraf tiruan yang telah dirancang dan dilatih menggunakan .nnet extension sehingga dapat digunakan sebagai komponen perancangan aplikasi berbasis java seperti pada Android.

(14)

Pada tahapan ini penulis melakukan perancangan aplikasi Android pendeteksi daging sapi dan babi menggunakan komponen hasil pelatihan yang dilakukan sebelumnya yang telah disimpan sebagai .nnet extension. Pada tahapan perancangan ini penulis menggunakan NeatBeans IDE 8.1, Android SDK 25.1.6, NBAndroid Plugin dan Neuroph Framework 2.6. Perancangan dilakukan berdasarkan layout antarmuka aplikasi yang penulis telah rancang yang ditunjukkan pada Gambar 3.13.

(15)

Dari gambar 3.13 dapat dilihat bahwa, perancangan didasarkan pada 3 layout antarmuka yang telah penulis rancang. Pada gambar 3.13 (a-kiri) menunjukkan layout halaman utama pada aplikasi pendeteksi daging sapi dan babi dimana pengguna dapat langsung mengklik/mengetuk pada area yang telah ditentukan untuk melakukan pemilihan gambar yang akan dideteksi yang dapat dilakukan menggunakan citra yang sudah ada pada gallery maupun menggunakan kamera untuk mengambil citra secara langsung.

Pada gambar 3.13 (a-kanan) menunjukkan layout antarmuk halaman gambar-gambar daging yang siap untuk dipilih. Pada gambar 3.13 (b-kiri) menunjukkan layout antarmuka halaman kamera. Selanjutnya pada gambar 3.13 (b-kanan) menunjukkan layout antarmuka hasil pendeteksian dimana pada halaman ini gambar yang digunakan akan ditampilkan beserta jenis daging yang terdeteksi. Tahapan terakhir dari perancangan ini ialah melakukan uji coba aplikasi menggunakan emulator Android ataupun pengujian pada Smartphone Android secara langsung.

Aplikasi ini dirancang dengan menggunakan library tambahan yaitu Neuroph Framework versi 2.6 yang lebih stabil dalam perancangan aplikasi Android untuk pendeteksi daging sapi dan babi, sehingga target minimum yang dapat bekerja menggunakan Neuroph Framework versi 2.6 ini adalah Android versi 2.1 Eclair (API level 7) [10]. Dengan menetapkan target minimum ini aplikasi dapat bekerja pada versi Android yang rendah maupun yang lebih tinggi [11].

(16)

BAB IV

PENGUJIAN DAN ANALISA 4.1.Hasil Uji Coba

Untuk menguji coba sistem jaringan syaraf tiruan yang dibuat maka dilakukan uji coba pendeteksian daging sapi dan babi sebanyak 50 daging, dengan pembagian 25 daging sapi dan 25 daging babi. Uji coba pendeteksian daging sapi dan babi terdiri dari 2 bagian :

1. Uji coba dengan menggunakan 20 sampel latih, dengan pembagian 10 daging sapi dan 10 daging babi.

2. Uji coba dengan menggunakan 30 sampel non latih, dengan pembagian 15 daging sapi dan 15 daging babi.

Sistem yang dibuat menggunakan arsitektur jaringan yang sama dengan Hidden Layer yang bervariasi yaitu 0, 2, 4, 6, 8, 10, 12, 14, 16, 18, dan 20, namun pada Hidden Layer 0, 2, dan 4 jaringan tidak berhasil melakukan pelatihan. Untuk input parameter yang digunakan untuk latih menggunakan input yang sama yaitu Learning Rate 0,2, Momentum 0,7, Maximum Error 0,01.

4.1.1.Hasil Uji Coba Dengan 6 Hidden Layer a. Uji Coba Dengan 20 Sample Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.1 memperlihatkan hasil uji coba pada masing-masing sampel

(17)

Babi Output Jaringan Babi Sapi

1 0,9 -

2 0,84 -

3 0,92 -

4 0,85 -

5 0,86 -

6 0,88 -

7 0,93 -

8 0,84 -

9 0,89 -

10 0,98 -

Tabel 4.1 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.1 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata outuput jaringan 0,89 untuk daging babi dan 0,89 untuk daging sapi tanpa adanya kesalahan pada pendeteksian.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel nonlatih untuk kedua jenis daging. Pada Tabel 4.2 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Sapi Output Jaringan Babi Sapi

1 - 0,92

2 - 0,88

3 - 0,99

4 - 0,92

5 - 0,88

6 - 0,88

7 - 0,85

8 - 0,85

9 - 0,89

(18)

Babi Output Jaringan Babi Sapi

1 0,84 -

2 0,84 -

3 - 0,90

4 - 0,16

5 - 0,87

6 0,62 -

7 - 0,88

8 0,84 -

9 0,96 -

10 0,94 -

11 - 0,90

12 0,84 -

13 0,84 -

14 0,84 -

15 0,84 -

Tabel 4.2 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.2 (kiri) memperlihatkan sistem mendeteksi 10 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,77 dan 5 data terdeteksi sebagai daging sapi dengan rata-rata output jaringan 0,74. Tabel 4.2 (kanan) memperlihatkan sistem mendeteksi 3 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,57 dan 12 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,74.

Sapi Output Jaringan Babi Sapi

1 0,84 -

2 0.84 -

3 0,84 -

4 0,73 -

5 0,87 -

6 - 0,65

7 - 0,16

8 0,30 -

9 - 0,88

10 0,84 -

11 0,85 -

12 0,52 -

13 0,84 -

14 0,87 -

(19)

4.1.2.Hasil Uji Coba Dengan 8 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.3 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,91 -

2 0,75 -

3 0,87 -

4 0,89 -

5 0,90 -

6 0,88 -

7 0,94 -

8 0,90 -

9 0,90 -

10 0,98 -

Tabel 4.3 Hasil Pendeteksian Menggunakan 20 Sampel Latih(kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.3 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jaringan 0,89 untuk daging babi dan 0,88 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.4 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Sapi Output Jaringan Babi Sapi

1 - 0,93

2 - 0,90

3 - 0,88

4 - 0,98

5 - 0,81

6 - 0,91

7 - 0,89

8 - 0,90

9 - 0,81

(20)

Babi Output Jaringan Babi Sapi

1 - 0,66

2 - 0,77

3 - 0,42

4 - 0,77

5 - 0,34

6 - 0,42

7 0,50 -

8 - 0,34

9 0,85 -

10 0,32 -

11 - 0,71

12 - 0,77

13 - 0,67

14 - 0,77

15 0,50 -

Tabel 4.4 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.4 (kiri) memperlihatkan sistem mendeteksi 4 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,47 dan 11 data terdeteksi sebagai daging sapi dengan rata-rata output 0,57. Tabel 4.4 (kanan) memperlihatkan sistem mendeteksi 14 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,61 dan 1 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,11.

Sapi Output Jaringan Babi Sapi

1 - 0,43

2 - 0,91

3 - 0,77

4 - 0,63

5 - 0,77

6 - 0,20

7 - 0,84

8 - 0,77

9 - 0,42

10 - 0,53

11 - 0,33

12 0,11 -

13 - 0,74

14 - 0,31

(21)

4.1.3.Hasil Uji Coba Dengan 10 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.5 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,94 -

2 0,82 -

3 0,88 -

4 0,84 -

5 0,88 -

6 0,90 -

7 0,88 -

8 0,88 -

9 0,88 -

10 0,90 -

Tabel 4.5 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.5 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jaringan 0,88 untuk daging babi dan 0,90 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.6 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Sapi Output Jaringan Babi Sapi

1 - 0,92

2 - 0,88

3 - 0,91

4 - 0,92

5 - 0,90

6 - 0,90

7 - 0,89

8 - 0,90

9 - 0,86

(22)

Babi Output Jaringan Babi Sapi

1 - 0,11

2 - 0,78

3 0,74 -

4 0,46 -

5 0,36 -

6 - 0,49

7 - 0,34

8 0,74 -

9 0,94 -

10 0,42 -

11 0,52 -

12 - 0,48

13 - 0,36

14 0,61 -

15 0,17 -

Tabel 4.6 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.6 (kiri) memperlihatkan sistem mendeteksi 9 data daging babi non latih sebagai daging babi dengan rata-rata ouput 0,48 dan 6 data terdeteksi sebagai daging sapi dengan rata-rata output 0,43. Tabel 4.6 (kanan) memperlihatkan sistem mendeteksi 9 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,45 dan 6 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,53.

Sapi Output Jaringan Babi Sapi

1 - 0,86

2 0,56 -

3 - 0,81

4 - 0,31

5 0,10 -

6 - 0,12

7 - 0,48

8 0,50 -

9 - 0,14

10 - 0,51

11 0,74 -

12 0,42 -

13 0,85 -

14 - 0,32

(23)

4.1.4.Hasil Uji Coba Dengan 12 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.7 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,96 -

2 0,74 -

3 0,87 -

4 0,95 -

5 0,98 -

6 0,95 -

7 0,81 -

8 0,99 -

9 0,97 -

10 0,97 -

Tabel 4.7 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.7 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jarungan 0,92 untuk daging babi dan 0,93 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Sapi Output Jaringan Babi Sapi

1 - 0,87

2 - 0,88

3 - 0,94

4 - 0,94

5 - 0,91

6 - 0,98

7 - 0,94

8 - 0,95

9 - 0,98

(24)

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.8 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 - 0,9

2 0,98 -

3 0,74 -

4 - 0,47

5 0,36 -

6 - 0,99

7 0,49 -

8 0,78 -

9 0,41 -

10 0,89 -

11 0,13 -

12 - 0,56

13 0,89 -

14 - 0,43

(25)

Tabel 4.8 Hasil Pendeteksian Menggunakan 20 Sampel Latih(kiri) Daging Babi (kanan)

Daging Sapi

Dari Tabel 4.8 (kiri) memperlihatkan sistem mendeteksi

10 data daging babi non latih sebagai daging babi dengan Rata-rata ouput jaringannya 0,61 dan 5 data terdeteksi sebagai daging sapi dengan Rata-rata ouput jaringannya 0,51. Tabel 4.8 (kanan) memperlihatkan sistem mendeteksi 6 data daging sapi non latih sebagai daging sapi dengan Rata-rata ouput jaringannya 0,64 dan 9 data terdeteksi sebagai daging babi dengan Rata-rata ouput jaringannya 0,57.

4.1.5.Hasil Uji Coba Dengan 14 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.9 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

2 0,38 -

3 - 0,76

4 0,52 -

5 - 0,75

6 0,55 -

7 - 0,55

8 0,35 -

9 0,99 -

10 - 0,97

11 0,78 -

12 0,47 -

13 - 0,82

14 0,86 -

(26)

1 0,90 -

2 0,88 -

3 0,88 -

4 0,84 -

5 0,91 -

6 0,88 -

7 0,89 -

8 0,87 -

9 0,90 -

10 0,85 -

Tabel 4.9 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.9 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jaringan 0,89 untuk daging babi dan 0,91 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.10 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,8 -

2 0,3 -

3 0,71 -

Babi Sapi

1 - 0,95

2 - 0,92

3 - 0,88

4 - 0,91

5 - 0,90

6 - 0,92

7 - 0,91

8 - 0,90

9 - 0,86

(27)

7 - 0,17

8 0,51 -

9 0,53 -

10 0,37 -

11 0,36 -

12 0,55 -

13 0,2 -

14 - 0,6

15 0,1 -

Tabel 4.10 Hasil Pendeteksian

Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi Dari Tabel 4.10 (kiri) memperlihatkan sistem mendeteksi 12 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,40 dan 3 data terdeteksi sebagai daging sapi dengan rata-rata output jaringan 0,10. Tabel 4.10 memperlihatkan sistem mendeteksi 7 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,25 dan 8 data terdeteksi sebagai daging babi dengan rata-rata output 0,31.

4.1.6.Hasil Uji Coba Dengan 16 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

2 0,49 -

3 0,45 -

4 - 0,5

5 0,9 -

6 - 0,20

7 0,11 -

8 0,27 -

9 - 0,17

10 - 0,1

11 0,42 -

12 - 0,38

13 0,51 -

14 0,22 -

(28)

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.11 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,91 -

2 0,87 -

3 0,87 -

4 0,85 -

5 0,92 -

6 0,87 -

7 0,92 -

8 0,88 -

9 0,93 -

10 0,92 -

Tabel 4.11 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.11 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jaringan 0,89 untuk daging babi dan 0,90 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.12 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Sapi Ouptu Jaringan Babi Sapi

1 - 0,93

2 - 0,88

3 - 0,91

4 - 0,90

5 - 0,89

6 - 0,87

7 - 0,87

8 - 0,89

9 - 0,89

(29)

1 - 0,26

2 - 0,9

3 0,47 -

4 0,17 -

5 0,44 -

6 - 0,77

7 0,19 -

8 0,71 -

9 - 0,98

10 0,35 -

11 - 0,30

12 - 0,17

13 0,94 -

14 - 0,12

15 - 0,27

Tabel 4.12 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.12 (kiri) memperlihatkan sistem mendeteksi 7 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,33 dan 8 data terdeteksi sebagai daging sapi dengan rata-rata output jaringan 0,34. Tabel 4.12 (kanan) memperlihatkan sistem mendeteksi 13 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,41 dan 2 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,10.

Babi Sapi

1 - 0,58

2 - 0,3

3 - 0,26

4 - 0,23

5 - 0,41

6 - 0,67

7 - 0,6

8 0,20 -

9 - 0,92

10 - 0,88

11 - 0,12

12 - 0,78

13 - 0,29

14 0,02 -

(30)

4.1.7.Hasil Uji Coba Dengan 18 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.13 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,94 -

2 0,91 -

3 0,89 -

4 0,86 -

5 0,89 -

6 0,85 -

7 0,88 -

8 0,91 -

9 0,91 -

10 0,9 -

Tabel 4.3 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.13 (kiri) dan kana memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output 0,81 untuk daging babi dan 0,90 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.14 memperlihatkan hasil uji coba pada masing-masing

Sapi Output Jaringan Babi Sapi

1 - 0,95

2 - 0,92

3 - 0,91

4 - 0,91

5 - 0,85

6 - 0,86

7 - 0,87

8 - 0,89

9 - 0,92

(31)

Babi Output Jaringan Babi Sapi

1 - 0,21

2 - 0,9

3 0,7 -

4 - 0,16

5 0,25 -

6 - 0,86

7 - 0,5

8 0,8 -

9 0,95 -

10 0,29 -

11 0,47 -

12 0,1 -

13 0,58 -

14 0,40 -

15 0,7 -

Tabel 4.14 Hasil Pendeteksian Menggunakan 30 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.14 (kiri) memperlihatkan sistem mendeteksi 10 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,32 dan 5 data terdeteksi sebagai daging sapi dengan rata-rata output jaringan 0,27. Tabel 4.14 (kanan) memperlihatkan sistem mendeteksi 2 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,50 dan 13 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,29.

Sapi Output Jaringan Babi Sapi

1 - 0,18

2 0,5 -

3 0,4 -

4 0,58 -

5 0,2 -

6 0,92 -

7 0,46 -

8 0,43 -

9 0,70 -

10 0,7 -

11 0,46 -

12 - 0,82

13 0,16 -

14 0,3 -

(32)

4.1.8.Hasil Uji Coba Dengan 20 Hidden Layer a. Uji Coba Dengan 20 Sampel Latih

Pada uji coba ini digunakan 10 sampel latih untuk kedua jenis daging. Pada Tabel 4.15 memperlihatkan hasil uji coba pada masing-masing sampel daging.

Babi Output Jaringan Babi Sapi

1 0,88 -

2 0,91 -

3 0,86 -

4 0,85 -

5 0,89 -

6 0,86 -

7 0,92 -

8 0,92 -

9 0,88 -

10 0,95 -

Tabel 4.15 Hasil Pendeteksian Menggunakan 20 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.15 (kiri) dan (kanan) memperlihatkan sistem berhasil mendeteksi secara keseluruhan sampel daging dengan rata-rata output jaringan 0,89 untuk daging babi dan 0,91 untuk daging sapi.

b. Uji Coba Dengan 30 Sampel Non Latih

Pada uji coba ini digunakan 15 sampel non latih untuk kedua jenis daging. Pada Tabel 4.16 memperlihatkan hasil uji coba pada masing-masing

Sapi Output Jaringan Babi Sapi

1 - 0,93

2 - 0,94

3 - 0,93

4 - 0,92

5 - 0,93

6 - 0,92

7 - 0,90

8 - 0,90

9 - 0,90

(33)

Babi Output Jaringan Babi Sapi

1 - 0,22

2 - 0,52

3 - 0,21

4 - 0,17

5 0,65 -

6 - 0,75

7 - 0,17

8 0,42 -

9 0,56 -

10 - 0,47

11 - 0,17

12 - 0,26

13 0,24 -

14 - 0,43

15 0,55 -

Tabel 4.16 Hasil Pendeteksian Menggunakan 30 Sampel Latih (kiri) Daging Babi (kanan) Daging Sapi

Dari Tabel 4.16 (kiri) memperlihatkan sistem mendeteksi 5 data daging babi non latih sebagai daging babi dengan rata-rata output jaringan 0,48 dan 10 data terdeteksi sebagai daging sapi dengan rata-rata 0,34. Tabel 4.16 (kanan) memperlihatkan sistem mendeteksi 2 data daging sapi non latih sebagai daging sapi dengan rata-rata output jaringan 0,25 dan 13 data terdeteksi sebagai daging babi dengan rata-rata output jaringan 0,26.

4.2. Analisis Perbandingan Hasil Pengujian.

Untuk mengimplementasikan jaringan yang telah dirancang pada aplikasi smartphone android maka dibandingkan hasil pengujian yang telah dilakukan berdasarkan seluruh variasi hidden layer. Pada Tabel 4.17 memperlihatkan hasil

Sapi Output Jaringan Babi Sapi

1 0,23 -

2 0,13 -

3 0,17 -

4 0,28 -

5 - 0,12

6 0,31 -

7 0,31 -

8 0,18 -

9 0,24 -

10 - 0,38

11 0,56 -

12 0,22 -

13 0,6 -

14 0,62 -

(34)

perbandingan seluruh variasi hidden layer dari jaringan syaraf tiruan yang telah dirancang, dan juga memperlihatkan perbandingan hasil perhitungan akurasi yang dilakukan menggunakan persamaan (4.1) atau (4.2) dibawah.

��= ��+��

��+��+��+�� 100...(4.1) ��

��= ��+��

�� ℎ�� ℎ�� 100...(4.2) Keterangan :

• �� : True Positif (daging babi dikenali daging babi) • �� : True Negatif (daging sapi dikenali daging sapi) • ��: False Positif (daging sapi dikenali daging babi) • ��: False Negatif (daging babi dikenali daging sapi)

(35)

Dari Tabel 4.17 menunjukkan seluruh hasil perbandingan dari uji coba dengan jumlah hidden layer yang bervariasi. Menggunakan hidden layer yang bervariasi ini dimaksudkan untuk mendapatkan hasil output jaringan yang lebih optimal, dikarenakan penggunaan jumlah hidden layer harus berada diantara nilai input jaringan. Dari tabel ini penulis memilih untuk menggunakan jaringan dengan hidden layer berjumlah 6, yang di tunjukkan pada baris 1. Pemilihan jaringan yang akan digunakan ini didasarkan pada akurasi data dan nilai pada output jaringan yang tertinggi.Pada 6 hidden layer seluruh data latih memiliki akurasi pendeteksi 100% dan pada data non latih memiliki akurasi pendeteksi 73,34%.

4.3. Analisa Kesalahan pada Tahap Uji Coba Deteksi

Analisa kesalahan dilakukan untuk mengetahui parameter apa saja yang menyebabkan sistem menjadi kurang handal didalam pengenalan pola. Pada tahapan ini terjadi kesalahan khususnya pada saat pendeteksian sampel daging non latih. Daging sapi terdeteksi sebagai daging babi dan daging babi terdeteksi sebagai daging sapi.

Hal ini dikarenakan pada saat akusisi citra posisi kamera pada saat pengambilan citra sample daging non latih memiliki jarak yang tidak sesusai dengan jarak pengambilan citra sample daging latih. Kesalahan ini dapat diatasi dengan melakukan pengambilan citra dengan menempatkan posisi kamera tegak lurus terhadap objek dan jarak antara objek dengan kamera berjarak sekitar 5cm.

Kesalahan juga bisa terjadi diakibatkan pada saat akusisi citra adanya pantulan sinar atau bias cahaya yang dapat menganggu keseimbangan cahaya dari citra yang diakusisi karena pada saat akusisi citra kamera yang digunakan tidak

(36)

menggunakan biltz. Oleh karena itu, sampel citra yag diambil sebisa mungkin dalam keadaan bagus dan tidak memiliki bias cahaya atau pantulan cahaya yang menganggu kejelasan citra daging.

Kesalahan lainnya yang dapat terjadi ketika melakukan cropping setelah melakukan akusisi citra, citra dari hasil cropping tidak boleh lebih besar dari 145 x 145 pixel. Oleh karena itu pada saat melakukan cropping sebaiknya citra dicrop sesuai dengan ukuran yang seharusnya.

4.4. Pengujian Aplikasi Pendeteksi Daging Sapi dan Babi

Aplikasi yang di rancang untuk smartphone Android ini berhasil dijalankan dengan baik, dengan target minimumnya ialah Android versi 2.1 Eclair (API level 7). Pada Gambar 4.2 (a, b, c, dan d) memperlihatkan hasil dari aplikasi yang berhasil dijalankan.

(37)

(b)

(38)

(d)

Gambar 4.1 Aplikasi Pendeteksi Daging Sapi dan Babi yang Berhasil Dijalankan

Pada gambar 4.1 (a-kiri) memperlihatkan tampilan icon aplikasi yang ada pada menu aplikasi Android, dan pada Gambar 4.1 (a-kanan) memperlihatkan antarmuka aplikasi pendeteksi daging sapi dan babi, pada halaman antarmuka inilah pengguna dapat memilih untuk menggunakan citra yang sudah ada pada gallery ataupun mengambil citra secara langsung menggunakan kamera.

Pada Gambar 4.1 (b-kiri) memperlihatkan antarmuka aplikasi pendeteksi daging sapi dan babi, terlihat dari gambar tersebut pengguna dapat langsung memilih gambar/citra yang akan dideteksi pada halaman gallery yang diperlihatkan pada Gambar 4.1 (b-kanan). Pada Gambar 4.1 (c-kiri) memperlihatkan antarmuka aplikasi pendeteksi daging sapi dan babi, terlihat dari gambar tersebut pengguna dapat langsung memilih kamera yang akan mengambil

(39)

Pada Gambar 4.1 (d) memperlihatkan antarmuka aplikasi yang memberikan informasi jenis daging yang terdeteksi. Aplikasi ini berjalan dengan baik pada smartphone Android versi 4.2 Jelly Bean (API level 17) yang digunakan oleh penulis. Pendeteksian yang dilakukan pada smartphone Android didasarkan pada hasil pencocokan dengan jaringan syaraf tiruan yang telah dilatih sebelumnya, pencocokan yang dilakukan oleh aplikasi berdasarkan nilai pixel yang sebelumnya telah dirubah menjadi nilai input vektor berukuran 20 x 900 dengan fungsi aktifasi sigmoid sehingga input bernilai antara 1 dan 0. Citra yang akan diuji akan dibandingakan nilai otputnya dengan nilai output pada sample pelatihan, nilai output yang mendekati 1 adalah nilai output sebagai hasil keluaran pada aplikasi.

4.5. Pengujian Pada Jenis Android yang Berbeda

Untuk mengetahui aplikasi yang telah dirancang dapat berjalan dengan baik pada Android, maka penulis melakukan pengujian aplikasi terhadap Android dengan versi yang berbeda. Hasil pengujian ini diperlihatkan pada Tabel 4.18

Nama Perangkat

dan Versi Android (API

Level)

(40)

1 Android Virtual

Device, Eclair 2.1 (7)

Berhasil

2 Samsung

Galaxy Mini 2, Gingerbread 2.3.7 (10)

Berhasil

3 Sony Xperia C230, Jelly Bean 4.2.2 (17)

Berhasil

4 Samsung Galaxy Tab 3, Jelly Bean 4.3 (18)

(41)

5 Xiamo Redmi, KitKat, 4.4 (19)

Berhasil

Tabel 4.18 Pengujian pada jenis Android yang berbeda

Dari tabel 4.18 diatas dapat dilihat bahwa aplikasi pendeteksi daging sapi dan babi yang telah dirancang dapat berjalan dengan baik pada versi Android yang berbeda. Dari tabel terlihat Aplikasi berjalan pada Android versi Eclair, Gingerbread, Jelly Bean dan juga KitKat

(42)

BAB V

KESIMPULAN DAN SARAN 5.1.Kesimpulan

Adapun kesimpulan dari pembahasan pada Tugas Akhir ini adalah sebagai berikut :

1. Aplikasi pendeteksi daging sapi dan babi pada Smartphone Android dapat diciptakan dengan menggabung pengolahan citra digital dan jaringan syaraf tiruan multi layer perceptron.

2. Pelatihan jaringan syaraf tiruan untuk aplikasi pendeteksi daging sapi dan babi ini menggunakan arsitektur jaringan yang optimal dengan Learning Rate 0,2, Momentum 0,7, Maximum Erorr 0,01, dan jumlah Hidden Layer 6.

3. Untuk pengujian data yang tidak dilatih akurasi yang diperoleh 73,34%. 4. Terdapat beberapa faktor yang mempengaruhi hasil pengenalan yaitu

jenis kamera yang digunakan, posisi dan jarak kamera terhadap objek, dan kurang maksimalnya hasil dari cropping.

5. Jaringan syaraf tiruan yang telah dilatih pada PC (Personal Computer) berhasil diimplementasikan pada aplikasi pendeteksi daging sapi dan babi pada Smartphone Android.

6. Aplikasi dapat berjalan dengan baik pada Android versi Eclair, Ginggerbread, Jelly Bean dan KitKat.

(43)

5.2.Saran

Beberapa saran yang dapat diberikan sehubungan dengan penulisan Tugas Akhir ini ialah sebagai berikut:

1. Untuk selanjutnya data citra daging sapi dan babi yang akan digunakan dapat diperbanyak untuk mendapatkan variasi jenis pola yang lebih banyak pada saat pelatihan.

2. Untuk selanjutnya data citra daging sapi dan babi yang akan digunakan untuk pelatihan menggunakan citra dengan warna penuh (Read Green Blue 3 layer) untuk mendapatkan hasil yang lebih optimal.

3. Untuk selanjutnya dapat ditambahkan aplikasi pengolahan citra yang dapat langsung digunakan tanpa harus adanya tambahan aplikasi pengolahan citra lainnya sebagai pendukung pendeteksian secara online pada Smartphone Android.

4. Untuk selanjutnya aplikasi yang akan dirancang pada Smartphone Android adalah aplikasi yang menggunakan database online sehingga aplikasi yang dirancang dapat lebih optimal tanpa terkendala oleh spesifikasi Smartphone yang kurang memadai.

(44)

BAB II DASAR TEORI 2.1. Daging Sapi dan Daging Babi

2.1.1. Daging Sapi

Daging sapi adalah daging yang diperoleh dari sapi yang biasa dan umum digunakan untuk keperluan konsumsi makanan. Di setiap daerah, penggunaan daging ini berbeda-beda tergantung dari cara pengolahannya. Sebagai contoh has luar dan daging iga sangat umum digunakan di Eropa dan di Amerika Serikat sebagai bahan pembuatan steak sehingga bagian sapi ini sangat banyak diperdagangkan.

Gambar 2.1 Potongan Daging Sapi

Akan tetapi seperti di Indonesia dan di berbagai negara Asia lainnya daging ini banyak digunakan untuk makanan berbumbu dan bersantan seperti sup konro dan rendang [4].Selain itu ada beberapa bagian daging sapi lain seperti lidah, hati, hidung, jeroan dan buntut hanya digunakan di berbagai negara tertentu sebagai bahan dasar makanan [4].

(45)

2.1.2. Daging Babi

Daging babi adalah daging yang diproduksi dari babi untuk disembelih. Dalam beberapa kepercayaan agama samawi, babi tidak boleh untuk disentuh (najis) dan dianggap haram untuk dimakan. Contohnya adalah seperti yang tertulis dalam kitab suci agama Islam Al-Qur’an [5].Babi sendiri sebenarnya telah diternak dan dikonsumsi selama ribuan tahun oleh orang Eropa dan orang Asia kebanyakan. Babi adalah makanan yang umum di nusantara sebelum masuknya agama Islam dari Timur Tengah.

Gambar 2.2 Potongan Daging Babi

Beberapa suku bangsa di Indonesia yang masih menjalankan tradisi aslinya selain suku Tionghoa-Indonesia masih mengonsumsi babi sebagai makanan keseharian, seperti suku Bali, Toraja, Papua, Batak, masyarakat Manado, dan lain-lain. Dalam masyarakat Jawa, babi disebut celeng dan juga merupakan hewan ternak yang umum sebelum menyebarnya agama Islam yang mengharamkan babi di Nusantara [5].

2.1.3. Perbedaan Daging Sapi dan Daging Babi

Ada beberapa perbedaan mendasar antara daging sapi dan babi. Secara kasat mata ada lima aspek yang terlihat berbeda antara daging sapi dan babi yaitu warna, serat daging, tipe lemak, aroma dan tekstur [6].

(46)

1. Warna

Terlihat daging babi memiliki warna yang lebih pucat dari daging sapi. Warna daging babi mendekati warna daging ayam yang berwarna Namun perbedaan ini tak dapat dijadikan peganggan utama, karena warna pada daging babi oplosan biasanya dikamuflase dengan pelumuran darah sapi. Meski demikian, kamuflase ini dapat dihilangkan dengan perendaman dengan air selama beberapa jam. Selain itu, ada bagian tertentu dari daging babi yang warnanya mirip sekali dengan daging sapi sehingga sangat sulit membedakannya.

2. Segi Serat

Dari segi serat perbedaan terlihat dengan jelas antara kedua daging ini. Pada sapi, serat-serat daging tampak padat dan garis-garis seratnya terlihat jelas. Sedangkan pada daging babi, serat-seratnya terlihat samar dan sangat renggang. Perbedaan ini semakin jelas ketika kedua daging direnggangkan secara bersaman.

3. Penampakan lemak

Perbedaan terdapat pada tingkat keelastisannya. Daging babi memiliki tekstur lemak yang lebih elastis sementara lemak sapi lebih kaku dan berbentuk. Selain itu lemak pada babi sangat basah dan sulit dilepas dari dagingnya sementara lemak daging agak kering dan tampak berserat. Namun kita harus hati-hati pula bahwa pada bagian tertentu seperti ginjal, penampakkan lemak babi hampir mirip dengan lemak sapi.

(47)

4. Tekstur

Daging sapi memiliki tekstur yang lebih kaku dan padat, dibandingkan dengan daging babi yang lembek dan mudah diregangkan. Melalui perbedaan ini sebenarnya ketika kita memegangnya pun sudah terasa perbedaan yang nyata antara keduanya. Sangat terasa oleh kita, daging babi sangat kenyal dan mudah direkahkan. Sementara daging sapi terasa solid dan keras sehingga cukup sulit untuk diregangkan.

5. Aroma

Terdapat sedikit perbedaan antara keduanya. Daging babi memiliki aroma khas tersendiri, sementara aroma daging sapi adalah anyir seperti yang telah kita ketahui. Sayangnya kemampuan membedakan melalui aromanya ini membutuhkan latihan yang berulang-ulang karena memang perbedaannya tidak terlalu signifikan. Jadi agak sedikit susah bagi kita yang belum pernah sama sekali mencium bau daging babi.

2.2. Pengolahan Citra

Pengolahan citra adalah istilah umum untuk berbagai teknik yang dilakukan untuk memanipulasi dan memodifikasi citra dengan berbagai teknik. Pengolahan citra merupakan bagian penting yang mendasari berbagai aplikasi nyata, seperti pengenalan pola, penginderaan jarak jauh melalui pesawat udara atau satelit dan machine vision [7]. Pada pengenalan pola, pengolahan citra antara lain berperan dalam memisahkan objek dari latar belakang dan mengklasifikasikannya secara otomatis. Selanjutnya, objek akan diproses oleh pengklasifikasian pola.

Di dalam aplikasinya, citra seringkali mengalami degredasi, seperti misalnya mengandung cacat atau derau, warna yang terlalu kontras, kabur, kurang tajam dan

(48)

sebagainya. Agar citra tersebut dapat secara tepat diinterpretasikan, maka citra tersebut perlu dimanipulasi menjadi citra yang kualitasnya menjadi lebih baik.

Operasi-operasi pengolahan citra yang dapat diterapkan pada citra apabila :

1. Perbaikan atau modifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra.

2. Elemen di dalam citra perlu dikelompokkan, dicocokkan dan diukur. 2.2.1. Akusisi Citra dan Sampling

Citra digital merupakan suatu citra kontinyu yang diubah kedalam bentuk disktrit, baik koordinat maupun intensitas cahayanya. Dengan kata lain, citra digital dibuat dengan cara mencuplik suatu citra kontinyu dengan jarak seragam. Suatu titik terkecil pada citra sering disebut pixel. Citra ini mengandung persamaan-persamaan matematis dari bentuk-bentuk dasar yang membentuk citra tersebut. Setelah citra diakuisisi selanjutnya proses sampling, dimana suatu citra f(x,y) disampling dan menjadi N x M array maka setiap elemen dari array merupakan kuantitas diskrit dari citra yang disampling [1].

2.2.2. Pengolahan Awal Citra (Image Preprocessing)

Pengolahan awal perlu dilakukan untuk menyesuaikan hal-hal yang dibutuhkan dalam proses-proses selanjutnya, tahapan ini menyangkut tentang operasi yang dilakukan pada citra digital. Operasi pengolahan citra banyak jenisnya. Namun penulis memperkirakan untuk menggunakan beberapa operasi citra berikut dalam aplikasi yang dibuat :

(49)

3. Mengubah citra RGB menjadi Grayscale 4. Perubahan Contras

2.3. Sistem Pengenalan Pola

Sistem pengenalan pola adalah proses identifikasi suatu objek dalam citra dengan tujuan untuk mengklasifikasikan dan mendeskripsikan pola atau objek komplek melalui pengetahuan sifat-sifat atau ciri-ciri objek tersebut, sehingga kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut dapat ditentukan. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain.

Secara umum struktur dari sistem pengenalan pola ditunjukkan pada Gambar 2.3. Sistem terdiri atas sensor (misalnya kamera), suatu algoritma atau mekanisme pencarian fitur dan algoritma untuk klasifikasi atau pengenalan (bergantung pada pendekatan yang dilakukan) [1]. Sebagai tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.

Gambar 2.3 Struktur Sistem Pengenalan Pola

• Sensor berfungsi untuk menangkap objek dari dunia nyata dan selanjutnya diubah menjadi sinyal digital (sinyal yang terdiri atas sekumpulan bilangan) melalui proses digitalisasi.

(50)

• Preprocessing berfungsi mempersiapkan citra atau sinyal agar dapat menghasilkan ciri yang lebih baik pada tahap berikutnya. Pada tahap ini sinyal informasi ditonjolkan dan sinyal penganggu (derau) diminimalisir.

• Pencarian dan seleksi fitur berfungsi menemukan karakteristik pembeda yang mewakili sifat utama sinyal dan sekaligus mengurangi dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi representatif

• Algoritma klasifikasi berfungsi untuk mengelompokkan fitur ke dalam kelas yang sesuai

• Algoritma deskripsi berfungsi memberikan deskripsi pada sinyal.

2.4. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) diketahui sebagai suatu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf manusia (biologi). Jaringan syaraf tiruan terbentuk sebagai generalisasi model matematika jaringan syaraf manusia didasarkan pada asumsi berikut [8] :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut neuron

2. Sinyal mengalir diantara neuron/sel syaraf melalui penghubung.

3. Setiap penghubung memiliki bobot yang independen. Bobot ini akan digunakan untuk menggandakan sinyal yang dikirim melaluinya.

4. Setiap neuron/sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan bobot yang masuk untuk menentukan sinyal

(51)

Model syaraf pada jaringan syaraf tiruan akan mempengaruhi kemampuan dalam proses hingga hasilnya. Kemampuan yang dimiliki jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau parameter dari beberapa contoh input yang akan dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang diperolehnya.

Jaringan syaraf tiruan memiliki suatu bentuk arsitektur terdistribusi paralel dengan sejumlah besar node dan hubungan antara node tersebut. Tiap titik hubungan dari suatu node ke node lain memiliki nilai yang nantinya dihubungkan dengan bobot dimana hasilnya merupakan nilai yang juga akan dihubungkan dengan nilai aktivasi node tersebut.

Jaringan syaraf tiruan ditentukan oleh 3 hal :

1. Pola hubungan antara neuron (disebut arsitektur jaringan).

2. Metode untuk menentukan bobot penghubung (disebut metode training/learning/algoritma).

3. Fungsi aktivasi

Neuron merupakan hasil pemodelan dari sel syaraf manusia (biologi) yang sebenarnya. Gambar 2.4 merupakan bentuk dasar dari struktur unit jaringan syaraf tiruan.

(52)

Gambar 2.4 Bentuk Dasar Jaringan Syaraf Tiruan

Pada Gambar 2.4 sisi sebelah kiri merupakan masukan menuju ke unit pengolahan dimana masing-masing masukan datang dari unit berbeda X(n). Setiap sambungan dari masukan ke unit pengolah memiliki kekuatan hubungan bervariasi yang sering disebut dengan “bobot” yang disimbolkan dengan W(n). Unit pengolahan akan membentuk penjumlahan dari tiap masukan-masukan dengan bobot yang dimilikinya dan menggunakan fungsi ambang yang disebut sebagai fungsi aktivasi untuk menghitung hasil keluaranya. Hasil perhitungan akan dikirim melalui sambungan unit pengolahan menuju keluaran seperti tampak pada sisi sebelah kanan gambar.

Pada masing-masing sambungan antar unit pengolah dan masukan berperan sebagai penghubung. Nilai-nilai numerik dilewatkan sepanjang sambungan ini dari masukan ke unit pengolah dan ke unit pengolah lainnya. Ketika unit pengolah melakukan perhitungan, nilai-nilai ini diberi bobot berdasarkan kekuatan

(53)

tahap pelatihan sehingga pada akhir pelatihan dihasilkan jaringan dengan bobot yang mantap.

Sebagian besar jaringan syaraf tiruan mengalami penyesuaian bobot pada saat proses pelatihan. Pelatihan pada jaringan dapat berupa pelatihan terbimbing (supervised) dan pelatihan tak terbimbing (unsupervised). Pada pelatihan terbimbing dibutuhkan pasangan masukan dan sasaran untuk tiap pola yang dilatih, sehingga jaringan akan menyesuaikan pola masukan yang dilatih terhadap sasarannya. Sedangkan pelatihan tak terbimbing, penyesuaian bobot sebagai tanggapan terhadap masukan, tak perlu disertai sasaran. Dalam pelatihan tak terbimbing, jaringan mengklasifikasikan pola-pola yang ada berdasarkan kategori kesamaan pola-pola masukan [8].

Jaringan syaraf tiruan dirancang dengan menggunakan suatu standar peraturan dimana seluruh model jaringan memiliki konsep dasar yang sama. Banyak model yang dapat digunakan sebagai jaringan syaraf tiruan, dimana model sebuah jaringan akan menentukan keberhasilan sasaran yang dicapai karena tidak semua permasalahan dapat diselesaikan dengan model arsitektur yang sama.

Seperti yang telah dijelaskan sebelumnya pada beberapa model jaringan fungsi aktivasi menjadi sangat penting karena menentukan nilai keluaran dari suatu algoritma. Beberapa fungsi yang digunakan dalam jaringan syaraf tiruan diantaranya adalah :

(54)

1. Fungsi threshold (dengan batas ambang)

( ) = _<≥ ...(2.1) Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 (sering disebut threshold bipolar). Maka persamaan fungsi menjadi :

( ) = ₋ ≥_< ...(2.2) 2. Fungsi Sigmoid

( ) = ...(2.3) Fungsi Sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan persamaan berikut :

( ) = ( )( − ( ))...(2.4) 3. Fungsi Identitas

( ) = ...(2.5) Fungsi Identitas sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]).

Pada penelitian ini metode jaringan syaraf tiruan yang digunakan adalah Multi Layer Perceptron. Multi Layer Perceptron adalah jaringan syaraf tiruan feed-forward yang terdiri dari sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut disusun dalam lapisan-lapisan yang terdiri

(55)

luar, kemudian melewatkannya ke lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya mencapai lapisan output. Tidak ada batasan banyaknya hidden layer dan jumlah neuron pada setiap layernya. Setiap neuron pada input layer terhubung dengan setiap neuron pada hidden layer. Demikian juga, setiap neuron pada hidden layer terhubung ke setiap neuron pada output layer [9].

(56)

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

Akhir-akhir ini sering kita temukan permasalahan keaslian daging sapi seperti adanya pemalsuan daging sapi menggunakan daging babi (oplosan/campuran). Kondisi ini tentu saja sangat merugikan bagi konsumen di pasar-pasar tradisional, khususnya bagi konsumen yang beragama Islam, karena memakan daging babi bagi umat muslim adalah salah satu yang diharamkan Allah SWT dalam Al-Qur’an. (Q.S Al Baqarah 2:173, Q.S Al Maida 5:3, Q.S Al An’am 6:145, Q.S An Nahl 16:115)

Dengan meningkatnya kebutuhan daging sapi serta harga daging sapi yang jauh lebih mahal dibandingkan dengan daging babi sering dimanfaatkan oleh penjual daging di pasar untuk melakukan pencampuran daging sapi dengan daging babi. Ketidak tahuan konsumen tentang cara membedakan daging sapi dengan daging babi menjadikan konsumen mendapatkan daging yang tidak sesuai dengan keinginannya.

Sekarang ini perkembangan teknologi bidang komputer berkembang begitu pesat dan teknologi bidang komputer dituntut bisa membantu manusia dalam menyelesaikan pekerjaan lebih tepat dan lebih cepat. Salah satu perkembangan perangkat lunak ialah pengolahan citra digital. Secara umum, pengolahan citra digital menunjuk pada pemrosesan gambar dua dimensi menggunakan komputer [1]. Pengolahan citra digital juga dapat dikembangkan dengan menambahkan unsur

(57)

Pengolahan Citra dan Klasifikasi K-Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi (Elvia Budianita, dkk, 2015) [2], Implementasi Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Pengenalan Citra Daging Babi dan Citra Daging Sapi (Ahmad Farid Hartono dan Dwijanto Zaenal Abidin, 2012) [3].

Teknologi pengolahan citra digital ini juga dapat diaplikasikan pada smartphone. Smartphone memiliki kemampuan tingkat tinggi dengan fungsi yang menyerupai komputer dan memiliki kelebihan yang dapat dibawa kemana saja. Dengan konsep yang ringan namun memiliki fungsi yang menyerupai komputer perkembangan smartphone saat ini sangatlah pesat, sehingga sekarang ini penggunaan smartphone sudah sangat sering dijumpai di masyarakat, khususnya Indonesia.

Pada penelitian ini teknologi pengolahan citra digital yang ditambah dengan unsur kecerdasan buatan yang diaplikasikan pada smartphone dikembangkan untuk dapat dimanfaatkan membantu identifikasi daging sapi dan daging babi.

1.2. Perumusan Masalah

Berdasarkan uraian di atas, maka dapat diambil beberapa rumusan masalah pada penelitian ini, yaitu :

1. Bagaimana memanfaatkan pengolahan citra digital untuk dapat membedakan daging sapi dan daging babi.

2. Bagaimana menciptakan aplikasi sistem pembeda daging sapi dan daging babi untuk diaplikasikan pada smartphone.

(58)

3. Bagaimana mengembangkan aplikasi yang sudah ada untuk dikembangkan pada smartphone.

1.3. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah merancang aplikasi yang dapat mendeteksi daging sapi dan daging babi pada Smartphone Android.

1.4. Batasan Masalah

Untuk memudahkan pembahasan dalam tulisan ini maka dibuat batasan masalah sebagai berikut :

1. Hanya membahas pembuatan aplikasi pembeda daging sapi dan daging babi.

2. Tidak membahas proses pendeteksian daging sapi maupun babi. 3. Sistem operasi yang digunakan oleh smartphone adalah android. 4. Daging yang akan diuji adalah daging mentah.

5. Objek yang dikenali berupa garis serat pada permukaan citra daging. 6. Pendeteksian dilakukan terpisah antara daging sapi dan daging babi. 7. Hanya mengambil citra daging saja.

1.5. Metodologi Penelitian

Untuk dapat menyelesaikan tugas akhir ini maka penulis menerapkan beberapa metodologi penelitian diantaranya :

1. Studi Literatur

Studi literatur dilakukan dengan mengumpulkan buku dan jurnal yang berhubungan dengan Pengolahan Citra Digital dan Jaringan Syaraf Tiruan

(59)

2. Analisis Sistem

Pada tahap ini ditentukan kebutuhan apa saja yang harus dipenuhi sistem. 3. Perancangan Sistem

Dilakukan perancangan perangkat lunak dengan membuat algoritma pencitraan untuk tahap preprocessing, proses pelatihan menggunakan jaringan syaraf tiruan, proses identifikasi.

4. Pengujian Sistem

Pada tahap ini dilakukan pengujian aplikasi terhadap algoritma pencitraannya lalu pengujian aplikasinya terhadap beberapa sampel daging yang jumlahnya telah disepakati dan menganalisa hasil pengujian, hingga hasil yang sesuai atau tidak menyimpang terlalu jauh dari definisi kebutuhan.

5. Penyusunan Tugas Akhir

Pada tahap ini dilakukan penulisan naskah, dimana didalamnya menjelaskan teori yang dipergunakan serta penyusunan laporan penelitian yang telah dilakukan.

1.6. Sistematika Penulisan

Tugas akhir ini disusun berdasarkan sistematika penulisan sebagai berikut : BAB I PENDAHULUAN

Bab ini merupakan pendahuluan yang berisi tentang latar belakang masalah, tujuan, batasan masalah, metode penelitian, dan sistematika penulisan.

(60)

BAB II DASAR TEORI

Bab ini membahas sekilas mengenai beberapa teori pengolahan citra, pengenalan pola, dan jaringan syaraf tiruan.

BAB III PERANCANGAN SISTEM

Bab ini membahas tentang proses akusisi citra, proses perancangan dan pembuatan aplikasi pengenal daging sapi dan daging babi menggunakan jaringan syaraf tiruan.

BAB IV PENGUJIAN DAN ANALISA

Bab ini membahas tentang pengujian dan analisa aplikasi yang dibuat dari hasil simulasi pengujian sampel.

BAB V KESIMPULAN DAN SARAN

Bab ini membahas tentang kesimpulan dan saran dari sistem yang dibuat

(61)

ABSTRAK

Tugas akhir ini dibuat untuk merancang aplikasi yang dapat mendeteksi daging sapi dan daging babi dari citra hasil kamera digital smartphone menggunakan jaringan syaraf tiruan model Multi Layer Perceptron sebagai metode pengenalannya.Terdapat beberapa proses yang digunakan dalam pembuatan sistem yaitu proses akusisi citra, proses awal (preprocessing), proses pelatihan dan pengujian menggunakan jaringan syaraf tiruan model Multi Layer Perceptron, dan proses perancangan aplikasi pada smartphone Android.

Pada tahap akusisi citra bertujuan mendapat informasi yang digunakan pada proses pelatihan. Pada tahap preprocessing bertujuan untuk meningkatkan kualitas citra. Proses pelatihan jaringan bertujuan untuk pembentukan arsitektur jaringan yang kemudian dibutuhkan pada tahap pengujian dan perancangan aplikasi. Tahap pengujian jaringan bertujuan untuk mengenali citra yang telah dilatih, yang selanjutnya akan digunakan pada tahap perancangan aplikasi pada smartphone Android. Dan pada tahap yang terakhir adalah implementasi arsitektur jaringan pada aplikasi yang akan digunakan pada smartphone Android.

Berdasarkan hasil pengujian, sistem pendeteksi daging sapi dan babi yang dirancang telah berhasil mendeteksi sampel daging yang tidak melalui tahap pelatihan dengan akurasi rata-rata 73,34%. Dan aplikasi yang telah dirancang berjalan dengan baik pada smartphone Android.

Kata Kunci : Pendeteksi Daging Sapi dan Babi, Pengolahan Citra, Jaringan Syaraf Tiruan, Multi Layer Perceptron, Smartphone, Android.

(62)

APLIKASI PENDETEKSI DAGING SAPI DAN BABI MENTAH PADA

SMARTPHONE ANDROID

Diajukan untuk memenuhi persyaratan menyelesaikan sarjana (S-1) pada Departemen Teknik Elektro Konsentrasi Teknik Komputer

Oleh :

WASFI MUHAMMADIY 110402099

KONSENTRASI TEKNIK KOMPUTER DEPARTEMEN TEKNIK ELEKTRO

(63)

(64)

ABSTRAK

(65)

KATA PENGANTAR

Puji syukur penulis hadiahkan kehadirat Allah S.W.T yang telah memberikan kemampuan dan kesehatan dalam menyelesaikan Tugas Akhir ini. Shalawat beserta salam semoga senantiasa terlimpah curahkan kepada Nabi Muhammad S.A.W, kepada keluarganya, para sahabatnya, hingga kepada umatnya hingga akhir zaman. Amin.

Tugas Akhir ini merupakan bagian dari kurikulum yang harus diselesaikan untuk memenuhi persyaratan menyelesaikan pendidikan Sarjana Strata Satu di Departemen Teknik Elektro, Fakultas Teknik, Universitas Sumatera Utara. Adapun judul Tugas Akhir ini adalah :

“APLIKASI PENDETEKSI DAGING SAPI DAN BABI MENTAH PADA SMARTPHONE ANDROID_”

Tugas Akhir ini penulis persembahkan kepada yang teristimewa yaitu ayahanda Prof. Dr. Dja’far Siddik, MA dan ibunda Dra. Hj. Rosnita, MA yang senantiasa memberikan perhatian dan kasih sayang sejak penulis lahir hingga sekarang, serta abang dan adik tercinta Akmal Mahdiy Al-Muntazar dan Rusdiy Afkar yang senantiasa mendukung dan memberi semangat.

Selama penulis menjalani pendidikan di kampus hingga diselesaikannya Tugas Akhir ini, penulis banyak menerima bantuan, bimbingan, dan dukungan dari berbagai pihak. Untuk itu dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada :

1. Bapak Dr. Ir. Fahmi, M.Sc selaku dosen Pembimbing Tugas Akhir, atas nasehat, bimbingan dan motivasi dalam menyelesaikan Tugas Akhir ini.

(66)

2. Ibu Naemah Mubarakah.ST, MT selaku Penasehat Akademis penulis, atas bimbingan dan arahannya dalam melayani perkuliahan selama ini.

3. Bapak Ir. Surya Tarmizi Kasim, M.Si dan Bapak Rahmad Fauzi ST, MT selaku Ketua dan Sekretaris Departemen Teknik Elektro Fakultas Teknik Universitas Sumatera Utara.

4. Bapak Ir. Kasmir Tanjung, MT dan Bapak Tigor H Nasution, ST, MT selaku dosen penguji Tugas Akhir, atas masukan dan bantuannya dalam penyempurnaan Tugas Akhir ini.

5. Seluruh staf pengajar yang telah memberi bekal ilmu kepada penulis dan seluruh pegawai Departemen Teknik Elektro, Fakultas Teknik, Universitas Sumatera Utara atas segala bantuannya.

6. Kedua orang tua penulis atas semangat dan doanya kepada penulis dengan segala pengorbanan dan kasih sayang yang tidak ternilai harganya.

7. Kepada saudara penulis Akmal Mahdiy Al-Muntazar dan Rusdiy Afkar, yang tak henti-hentinya memberikan dukungan penuh, doa, dan nasihat bagi penulis.

8. Teman dan sahabat satu angkatan 2011 Teknik Elektro USU, Hery, Fadhli, Ferry, Mirza, Tegar, Angga, Yoga, Rais, Endrawan, Faisal, Alwy dan teman-teman lainnya, atas dukungan, do’a, suka dan duka selama di bangku perkuliahan.

9. Abang-abang senior dan adik-adik junior yang selalu membantu, mendukung dan memberi masukan selama menjalani perkuliahan.

(67)

Penulis menyadari bahwa Tugas Akhir ini masih banyak kekurangan baik dari segi materi maupun penyajiannya. Oleh karena itu saran dan kritik dengan tujuan menyempurnakan dan mengembangkan kajian dalam bidang ini sangat penulis harapkan.

Akhir kata penulis berserah diri pada Allah SWT, semoga Tugas Akhir ini bermanfaat bagi pembaca sekalian terutama bagi penulis sendiri.

Medan, Agustus 2016

Penulis

Wasfi Muhammadiy NIM. 110402099

(68)

DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... ii

DAFTAR ISI... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

BAB I PENDAHULUAN... 1

1.1. Latar Belakang Masalah ... 1

1.2. Perumusan Masalah ... 2

1.3. Tujuan Penelitian ... 3

1.4. Batasan Masalah ... 3

1.5. Metodologi Penelitian ... 4

1.6. Sistematika Penulisan ... 4

BAB II DASAR TEORI... 6

2.1. Daging Sapi dan Daging Babi... 6

2.1.1.Daging Sapi... 6

2.1.2.Daging Babi ... 7

2.1.3.Perbedaan Daging Sapi dan Babi... 7

2.2. Pengolahan Citra ... 9

(69)

2.4. Jaringan Syaraf Tiruan ... 12

BAB III PERANCANGAN SISTEM ... 18

3.1. Umum ... 18

3.2. Spesifikiasi Perangkat Penelitian ... 18

3.2.1.Perangkat Keras ... 18

3.2.2.Perangkat Lunak ... 19

3.3. Perancangan Alur Penelitian... 19

3.4. Akusisi Citra ... 20

3.5. Proses Awal ... 20

3.5.1.Proses Croping dan Normalisasi Ukuran... 21

3.5.2.Proses Grayscalling... 22

3.5.3.Ekualisasi Histogram ... 23

3.6. Pelatihan Citra dengan Jaringan Syaraf Tiruan ... 23

3.6.1.Perancangan Arsitektur Jaringan ... 25

3.6.2.Pelatihan Jaringan ... 27

3.7. Perancangan Aplikasi Android ... 28

BAB IV PENGUJIAN DAN ANALISA ... 31

4.1. Hasil Uji Coba... 31

4.1.1.Hasil Uji Coba dengan 6 Hidden Layer... 31

4.1.2.Hasil Uji Coba dengan 8 Hidden Layer... 34

4.1.3.Hasil Uji Coba dengan 10 Hidden Layer... 36

4.1.4.Hasil Uji Coba dengan 12 Hidden Layer... 38

(70)

4.1.6.Hasil Uji Coba dengan 16 Hidden Layer... 42

4.1.7.Hasil Uji Coba dengan 18 Hidden Layer... 44

4.1.8.Hasil Uji Coba dengan 20 Hidden Layer... 46

4.2. Analisis Perbandingan Hasil Pengujian ... 47

4.3. Analisis Kesalahan pada Tahap Uji Coba... 49

4.4. Pengujian Aplikasi Pendeteksi Daging Sapi dan Babi ... 50

4.5. Pengujian Pada Jenis Android yang Berbeda ... 53

BAB V KESIMPULAN DAN SARAN ... 56

5.1. Kesimpulan ... 56

5.2. Saran ... 57

(71)

DAFTAR GAMBAR

Gambar 2.1 Potongan Daging Sapi ... 6

Gambar 2.2 Potongan Daging Babi... 7

Gambar 2.3 Struktur Sistem Pengenalan Pola... 11

Gambar 2.4 Bentuk Dasar Jaringan Syaraf Tiruan... 14

Gambar 3.1 Alur Perancangan Penelitian ... 19

Gambar 3.2 Hasil Akusisi Citra ... 20

(a) Daging Sapi ... 20

(b) Daging Babi... 20

Gambar 3.4 Hasil Croping dan Normalisasi Citra ... 22

Gambar 3.5 Hasil Grayscalling Citra ... 22

Gambar 3.6 Ekualisasi Histogra ... 23

Gambar 3.7 Diagram Alir Training Citra ... 24

Gambar 3.8 Proses Pemilihan Citra yang Akan Dipilih... 25

Gambar 3.9 Penentuan Training Set Lebel ... 26

Gambar 3.10 Perancangan Jaringan Syarag Tiruan ... 26

Gambar 3.11 Jaringan Pelatihan... 27

Gambar 3.12 Penentuan Input Parameter Pelatihan ... 28

(72)

(73)

DAFTAR TABEL

Tabel 4.1 Hasil Pendeteksian Menggunakan 20 Sampel latih... 32

Tabel 4.2 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 33

Tabel 4.3 Hasil Pendeteksian Menggunakan 20 Sampel latih... 34

Tabel 4.4 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 35

Tabel 4.5 Hasil Pendeteksian Menggunakan 20 Sampel latih... 36

Tabel 4.6 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 37

Tabel 4.7 Hasil Pendeteksian Menggunakan 20 Sampel latih... 38

Tabel 4.8 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 39

Tabel 4.9 Hasil Pendeteksian Menggunakan 20 Sampel latih... 40

Tabel 4.10 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 41

Tabel 4.11 Hasil Pendeteksian Menggunakan 20 Sampel latih... 42

Tabel 4.12 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 43

Tabel 4.13 Hasil Pendeteksian Menggunakan 20 Sampel latih... 44

Tabel 4.14 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 45

Tabel 4.15 Hasil Pendeteksian Menggunakan 20 Sampel latih... 46

Tabel 4.16 Hasil Pendeteksian Menggunakan 30 Sampel Non Latih ... 47

Tabel 4.17 Hasil Perbandingan Seluruh Varisi Hidden Layer ... 48

(1)

DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... ii

DAFTAR ISI... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

BAB I PENDAHULUAN... 1

1.1. Latar Belakang Masalah ... 1

1.2. Perumusan Masalah ... 2

1.3. Tujuan Penelitian ... 3

1.4. Batasan Masalah ... 3

1.5. Metodologi Penelitian ... 4

1.6. Sistematika Penulisan ... 4

BAB II DASAR TEORI... 6

2.1. Daging Sapi dan Daging Babi... 6

2.1.1.Daging Sapi... 6

2.1.2.Daging Babi ... 7

2.1.3.Perbedaan Daging Sapi dan Babi... 7

2.2. Pengolahan Citra ... 9

2.2.1. Akusisi Citra dan Sampling... 10

2.2.2. Pengolahan Awal Citra... 10

(2)

2.4. Jaringan Syaraf Tiruan ... 12

BAB III PERANCANGAN SISTEM ... 18

3.1. Umum ... 18

3.2. Spesifikiasi Perangkat Penelitian ... 18

3.2.1.Perangkat Keras ... 18

3.2.2.Perangkat Lunak ... 19

3.3. Perancangan Alur Penelitian... 19

3.4. Akusisi Citra ... 20

3.5. Proses Awal ... 20

3.5.1.Proses Croping dan Normalisasi Ukuran... 21

3.5.2.Proses Grayscalling... 22

3.5.3.Ekualisasi Histogram ... 23

3.6. Pelatihan Citra dengan Jaringan Syaraf Tiruan ... 23

3.6.1.Perancangan Arsitektur Jaringan ... 25

3.6.2.Pelatihan Jaringan ... 27

3.7. Perancangan Aplikasi Android ... 28

BAB IV PENGUJIAN DAN ANALISA ... 31

4.1. Hasil Uji Coba... 31

4.1.1.Hasil Uji Coba dengan 6 Hidden Layer... 31

4.1.2.Hasil Uji Coba dengan 8 Hidden Layer... 34

4.1.3.Hasil Uji Coba dengan 10 Hidden Layer... 36

4.1.4.Hasil Uji Coba dengan 12 Hidden Layer... 38

4.1.5.Hasil Uji Coba dengan 14 Hidden Layer... 40

(3)

4.1.6.Hasil Uji Coba dengan 16 Hidden Layer... 42

4.1.7.Hasil Uji Coba dengan 18 Hidden Layer... 44

4.1.8.Hasil Uji Coba dengan 20 Hidden Layer... 46

4.2. Analisis Perbandingan Hasil Pengujian ... 47

4.3. Analisis Kesalahan pada Tahap Uji Coba... 49

4.4. Pengujian Aplikasi Pendeteksi Daging Sapi dan Babi ... 50

4.5. Pengujian Pada Jenis Android yang Berbeda ... 53

BAB V KESIMPULAN DAN SARAN ... 56

5.1. Kesimpulan ... 56

5.2. Saran ... 57

(4)

viii

DAFTAR GAMBAR

Gambar 2.1 Potongan Daging Sapi ... 6

Gambar 2.2 Potongan Daging Babi... 7

Gambar 2.3 Struktur Sistem Pengenalan Pola... 11

Gambar 2.4 Bentuk Dasar Jaringan Syaraf Tiruan... 14

Gambar 3.1 Alur Perancangan Penelitian ... 19

Gambar 3.2 Hasil Akusisi Citra ... 20

(a) Daging Sapi ... 20

(b) Daging Babi... 20

Gambar 3.4 Hasil Croping dan Normalisasi Citra ... 22

Gambar 3.5 Hasil Grayscalling Citra ... 22

Gambar 3.6 Ekualisasi Histogra ... 23

Gambar 3.7 Diagram Alir Training Citra ... 24

Gambar 3.8 Proses Pemilihan Citra yang Akan Dipilih... 25

Gambar 3.9 Penentuan Training Set Lebel ... 26

Gambar 3.10 Perancangan Jaringan Syarag Tiruan ... 26

Gambar 3.11 Jaringan Pelatihan... 27

Gambar 3.12 Penentuan Input Parameter Pelatihan ... 28

Gambar 3.13 Layout Antarmuka Perancangan Aplikasi... 29