Klasifikasi Citra Bibit Unggul Sapi Bali

KLASIFIKASI CITRA BIBIT UNGGUL SAPI BALI BERDASARKAN
PERFORMA WARNA MENGGUNAKAN METODE FUZZY ADDITIVE
SUPPORT VECTOR MACHINE (FASVM)
Imam Cholissodin1, Arief Andy Soebroto1, Nurul Hidayat1
Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya
Gedung A PTIIK Lt. 1 JL. Veteran No.8, Malang, 65145, Indonesia
Telp. : +62-341-577911; Fax : +62-341-577911. http://www.ptiik.ub.ac.id Email : ptiik@ub.ac.id
1
imamcs@ub.ac.id, 2 ariefas@ub.ac.id, 3 ntayadih@ub.ac.id
1

Abstrak
Sapi merupakan hewan budidaya yang cukup mahal. Oleh karena itu, pelestarian sapi sangat menarik untuk
dikembangkan terutama dari segi kesejahteraan ekonomi rakyat. Selama ini budidaya sapi sangat identik dengan
pemilihan bibit unggul, namun permasalahannya adalah bagaimana mengidentifikasi bibit unggul tersebut
dengan mudah, cepat dan hasilnya akurat. Karena banyak dari peternak masih menggunakan cara konvensional,
yaitu dengan melihat secara langsung warna kulit dan melihat coraknya tanpa adanya dukungan teknologi.
Untuk itu, perlu dibuat suatu sistem yang mampu menghasilkan klasifikasi bibit unggul Sapi berdasarkan warna
dan coraknya dengan menggunakan data citra, untuk membantu para peternak di Balai Pembibitan Ternak
Unggul (BPTU) Sapi Bali. Sistem tersebut menerapkan metode Fuzzy Additive Support Vector Machine
(FASVM) untuk mengklasifikasikan citra Sapi berdasarkan fitur rata-rata dari nilai red, green dan blue (RGB)

ke dalam 3 kelas yaitu Baik, Sedang dan Buruk. Dari hasil pengujian didapatkan rata-rata akurasi pada Sapi
Betina sebesar 55.53% dan pada Sapi Jantan 99.22% dengan ukuran citra masing-masing 64px. Meskipun ruang
warna pada citra Sapi Betina sangat mirip diantara kelas-kelas yang ada, akan tetapi metode ini masih mampu
memberikan hasil akurasi di atas rata-rata. Hal tersebut menunjukkan bahwa metode yang diusulkan sangat
handal, jika data citra yang diolah memiliki beda pola warna yang signifikan.

Kata kunci : sapi bali, additive kernel, fuzzy additive SVM, sequential training SVM

1.

Pendahuluan

Citra saat ini menjadi salah satu objek yang
banyak dipelajari dalam menyelesaikan masalah.
Warna merupakan bagian dari penyusun pola citra
yang memberikan dasar perbedaan objek bila dilihat
dengan mata manusia secara langsung. Misalkan
warna merah, hijau, biru dan banyak variansi
lainnya. Sistem yang dapat membedakan pola citra
atau warna sangat diperlukan jika objek yang diteliti

berjumlah banyak. Objek dari penelitian ini yaitu
warna Sapi Bali. Pada umumnya, Sapi Bali berwarna
cokelat. Sehingga apabila ada warna cokelat yang
berbeda dari warna cokelat pada umumnya, maka
terjadi penyimpangan. Hal ini dapat digunakan
untuk klasifikasi dalam tiga kelas yaitu Sapi dengan
kualitas sangat baik, sedang dan buruk. Alasan
memilih Sapi sebagai objek, karena Sapi merupakan
hewan budidaya yang cukup mahal harganya.
Dengan adanya sistem yang mampu menghasilkan
klasifikasi Sapi berdasarkan warna yang diambil

163

menggunakan data citra, maka diharapkan dapat
membantu di Balai Pembibitan Ternak Unggul
(BPTU) Sapi Bali dan para peternak sapi Bali untuk
lebih cepat dalam mengidentifikasi jenis Sapi yang
rata-rata memiliki jumlah yang cukup banyak di
dalam satu peternakan.

Additive termasuk kernel yang digunakan
untuk analisis citra berdasarkan histogramnya
(Subhransu Maji, Alexander C. Berg, Jitendra
Malik, 2013). Additive Kernel Support Vector
Machine (SVM) tersebut menawarkan perbaikan
yang signifikan dalam hasil akurasi pada berbagai
dataset yang sama dibandingkan dengan kernel
lainnya. Sehingga kernel ini sangat praktis untuk
mengelola klasifikasi data pada skala besar atau
bersifat realtime. Penelitian tersebut menyajikan
percobaan pada berbagai dataset, termasuk INRIA
person, Daimler-Chrysler Pedestrians, UIUC Cars,
Caltech-101, MNIST dan USPS digits, untuk
menunjukkan efektivitas dan efisiensi dari algoritma
SVM dengan Additive kernel. Selain itu, Additive

kernel juga mampu untuk mempercepat proses
perulangan pada saat proses pelatihan.
Selain Additive Kernel, pada penelitian SVM
lainnya juga ada yang mengembangkan konsep

Multiple Kernel Learning (MKL), metode tersebut
sangat cocok jika data yang akan diklasifikasikan
sangat heterogen. Dalam MKL, antara kelas atau
label dalam klasifikasi dan data heterogen memiliki
makna bahwa sumber datanya memang dari
beberapa jenis yang berbeda dan label kelasnya
diambil dari jenis yang berbeda tersebut. Selain itu,
masalah utama yang terdapat pada MKL adalah
harus dapat mengoptimalkan dua koefisien yaitu
lagrange multiplier dan bobot kernel. Dan juga
proses pembelajaran MKL membutuhkan waktu
komputasi yang cukup besar dan sulit untuk
diterapkan (I-Hong Jhuo, dan D. T. Lee, 2010).
Contoh data heterogen misalnya gedung perkotaan,
tempat industri, ruang tamu, pemandangan alam,
jalan raya dan sebagainya. Dalam penelitian ini
hanya menggunakan data yang sifatnya homogen,
yaitu data satu jenis Sapi Bali yang dibedakan antara
Jantan dan Betina dalam tiga kelas (multi kelas).
Meskipun secara secara logika data ini dapat

diklasifikasikan dengan MKL, namun dari sudut
pandang karakteristik datanya dan efisiensi akan
kurang tepat.
Pengembangan lainnya juga ada yang
menggunakan konsep Relevance Vector Machine
(RVM), namun metode ini sangat lambat pada
dataset yang besar dikarenakan waktu komputasi
proses pelatihannya yang tinggi dibandingkan
dengan SVM secara umum (Michael E. Tipping,
2000). Padahal, Additive Kernel telah terbukti secara
signifikan lebih cepat dari pada SVM dengan kernel
pada umumnya. Misalnya saja pada dataset DaimlerChrysler pedestrians, dari hasil pengujian Subhransu
Maji (2013) diperoleh bahwa Additive Kernel lebih
cepat (2253x) dari pada Kernel Linier dan RBF
dengan hasil akurasi yang paling optimal.
Kemudian pada penelitian yang dilakukan oleh
Takuya Inoue dan Shigeo Abe, mereka mengusulkan
metode Fuzzy Support Vector Machine (FSVM)
menggunakan decision functions yang diperoleh dari
hasil proses training SVM. Fungsi keputusan

tersebut berjumlah n(n-1)/2 yang didefinisikan
dalam bentuk fungsi keanggotaan polyhedral
pyramidal untuk menyelesaian regions yang tidak
bisa diklasifikasikan dengan SVM pada umumnya
(Takuya Inoue, dan Shigeo Abe, 2001).
Pada penelitian ini diusulkan teknik integrasi
metode fuzzy dengan menggunakan Additive Kernel
SVM. Alasan utama metode ini diintegrasikan
karena melihat sudut pandang permasalahan yang
akan diselesaikan dan mengacu pada objek citra
yang akan diklasifikasikan pada multi kelas SVM.
Fitur data citra diambil dari nilai performa warna.
Untuk permasalahan multi kelas dapat diselesaikan
dengan sederhana menggunakan teknik fuzzy SVM.
Sedangkan untuk data skala besar, kemiripannya

164

tinggi dan fitur yang digunakan besar pula, maka
metode Additive Kernel SVM sangat handal dalam

menyelesaikan hal ini. Fitur yang ada akan dengan
mudah ditransformasikan ke dalam dimensi yang
lebih tinggi dengan suatu fungsi kernel. Oleh karena
itu untuk mengatasi semua hal tersebut, maka dalam
penelitian ini diusulkan metode Fuzzy Additive
Support Vector Machine (FASVM) dengan harapan
akan diperoleh hasil uji coba yang optimal.

2.

Tinjauan Pustaka

2.1 Sapi Bali
Sapi Bali merupakan salah satu jenis Sapi
potong asli Indonesia. Sapi Bali merupakan hasil
domestikasi dari banteng (bibos banteng) yang
habitat aslinya berada di Pulau Bali. Populasinya
saat ini ditaksir sekitar 526.031 ekor. Sapi Bali (Bos
sondaicus) telah mengalami proses domestikasi yang
terjadi sebelum 3.500 SM di wilayah Pulau Jawa

atau Bali dan Lombok. Sapi Bali dikenal juga
dengan nama Balinese cow yang kadang-kadang
disebut juga dengan nama Bibos javanicus,
meskipun Sapi Bali bukan satu subgenus dengan
bangsa Sapi Bos taurus atau Bos indicus.
Berdasarkan hubungan silsilah family Bovidae,
kedudukan Sapi Bali diklasifikasikan ke dalam
subgenus Bibovine tetapi masih termasuk genus bos.
Kemurnian genetika Sapi Bali telah dilindungi
dengan Peraturan Gubernur Bali Nomor 45 Tahun
2004 dan Perda No 2/2003 yang melarang bibit Sapi
Bali Betina keluar dari wilayah provinsi ini. Sapi
Bali memiliki ciri seperti berikut (Peraturan
Gubernur Bali Nomor 45, 2004) dan (Perda Nomor
2, 2003):
ƒ Warna bulu pada badannya akan berubah
sesuai usia dan jenis kelaminnya, sehingga
termasuk hewan dimoprhism-sex. Pada saat
masih  “pedet”  atau  kecil,  bulu  badannya 
berwarna sawo matang sampai kemerahan,

setelah dewasa Sapi Bali Jantan berwarna
lebih gelap bila dibandingkan dengan Sapi
Bali Betina. Warna bulu Sapi Bali Jantan
biasanya berubah dari merah bata menjadi
cokelat tua atau hitam setelah Sapi itu
mencapai dewasa kelamin sejak umur 1,5
tahun dan menjadi hitam mulus pada umur
3 tahun. Warna hitam dapat berubah
menjadi cokelat tua atau merah bata apabila
Sapi itu dikebiri, yang disebabkan pengaruh
hormon testosterone.
ƒ Kaki di bawah persendian karpal dan tarsal
berwarna putih. Kulit berwarna putih juga
ditemukan pada bagian pantatnya dan pada
paha bagian dalam kulit berwarna putih
tersebut berbentuk oval (white mirror).
Warna bulu putih juga dijumpai pada bibir
atas/bawah, ujung ekor dan tepi daun
telinga. Kadang-kadang bulu putih terdapat

ƒ
ƒ
ƒ
ƒ
ƒ
ƒ
ƒ
ƒ

di antara bulu yang cokelat (merupakan
bintik-bintik putih) yang merupakan
kekecualian atau penyimpangan ditemukan
sekitar kurang dari 1%. Bulu Sapi Bali
dapat dikatakan bagus (halus) pendekpendek dan mengkilap.
Ukuran badan berukuran sedang dan bentuk
badan memanjang.
Kepala agak pendek dengan dahi datar.
Badan padat dengan dada yang dalam.
Tidak berpunuk dan seolah tidak
bergelambir

Kakinya ramping, agak pendek menyerupai
kaki kerbau.
Pada punggungnya selalu ditemukan bulu
hitam membentuk garis (garis belut)
memanjang dari gumba hingga pangkal
ekor.
Cermin hidung, kuku dan bulu ujung
ekornya berwarna hitam
Tanduk pada Sapi Jantan tumbuh agak ke
bagian luar kepala, sebaliknya untuk jenis
Sapi Betina tumbuh ke bagian dalam.

Gambar 1 Peternakan Sapi di Bali
Sumber : Balai Pembibitan Ternak Unggul Sapi
Bali (2013)
Secara kualitatif, Sapi Bali di NTB seperti pada
Gambar 1 mempunyai ciri khas pada pola warna
tubuh dan tanduk. Bulu berwarna merah pada Sapi
Betina, tetapi pada Sapi Jantan dewasa warna merah
berubah menjadi hitam, dan bila dikastrasi berubah
jadi merah kembali. Berwarna putih pada bagian
belakang paha, pinggir bibir atas, dan pada kaki
mulai dari tarsus dan carpus sampai batas pinggir
atas kuku, bulu pada bagian dalam telinga. Bulu
pada ujung ekor dan garis belut pada punggung
berwarna hitam. Bentuk tanduk paling ideal pada
Sapi Jantan disebut regak ranjung yaitu
pertumbuhan tanduk berawal dari dasar sedikit
keluar, lalu membengkok ke atas, kemudian pada
ujungnya membengkok sedikit keluar. Pada Sapi
Betina bentuk tanduk yang ideal dinamakan
manggul gangsa yaitu jalannya pertumbuhan tanduk
satu garis dengan dahi arah ke belakang sedikit
melengkung ke bawah dan pada ujungnya sedikit
mengarah ke bawah dan ke dalam dengan warna

165

tanduk hitam. Gumba pada Sapi Bali nampak jelas
dan berbentuk khas. Di antara karakter kualitatif
tersebut, terdapat beberapa kelainan, sebagai
indikasi telah adanya degradasi genetik pada sapi
Bali. Beberapa degradasi genetik pada sifat kualitatif
yang ditemukan pada Sapi rakyat adalah Sapi injim
yaitu warna tubuh sampai bulu telinga bagian dalam
berwarna hitam sejak kecil. Pada Sapi Jantan
walaupun dikebiri tidak terjadi perubahan warna.
Sapi mores yaitu adanya warna hitam atau merah
pada bagian bawah yang mestinya berwarna putih
(Soekardono, Chairussyhur Arman, dan Lalu
Muhammad Kasip, 2009).
2.2 Bibit Unggul
Standar mutu bibit Sapi potong sebagaimana
dimaksud dalam Peraturan Menteri Pertanian
Nomor: 54/Permentan/OT.140/10/2006 tanggal 20
Oktober 2006, tentang Pedoman Pembibitan Sapi
Potong yang baik (good breeding practice), bahwa
bibit Sapi potong diklasifikasi menjadi tiga
kelompok, yakni: a) Bibit Dasar (elite/foundation
stock), diperoleh dari proses seleksi rumpun atau
galur yang mempunyai nilai pemuliaan di atas nilai
rata-rata; b) Bibit Induk (breeding stock), diperoleh
dari proses pengembangan bibit dasar; dan c) Bibit
Sebar (commercial stock), diperoleh dari proses
pengembangan bibit induk tersebut dapat dilihat
pada Tabel 1 di bawah ini (Soekardono,
Chairussyhur Arman, dan Lalu Muhammad Kasip,
2009).
Tabel 1 Standar mutu Sapi Bali bibit (quality
standart of Bali cattle breed)
Sifat kualitatif
Sifat kuantitatif
(qualitative characters)
(quantitation
characters)
Betina (female)
Betina umur 18 – 24
- Warna rambut
bulan (female, age
merah (hair color
18-24 months)
is red)
Tinggi gumba:
- Lutut ke bawah
- Kelas I :
berwarna putih
minimal 105 cm
(knee downward
(1st class: at
color is white)
least 105 cm)
- Pantat warna putih
- Kelas II :
setengah bulan
minimal 97 cm
(back white patch
(2nd class: at
half moon)
least 97 cm)
- Ujung ekor
- Kelas III :
berwarna hitam (tip
minimal 94 cm
of the tail is black)
(3rd class: at
- Garis belut warna
least 94 cm)
hitam di punggung - Panjang badan:
(black back line on - Kelas I :
its back)
minimal 104 cm
- Tanduk pendek dan
(1st class: at
kecil (horn is short
least 104 cm)
and small)
- Kelas II :

-

-

Bentuk kepala
panjang dan sempit
(head is long and
narrow)
Leher ramping
(neck is slender)

Jantan (male)
- Warna rambut
hitam (hair color is
black)
- Lutut ke bawah
berwarna putih
(knee downward
color is white)
- Pantat warna putih
setengah bulan
(back white patch
half moon)
- Ujung ekor
berwarna hitam (tip
of the tail is black)
- Tanduk tumbuh
baik warna hitam
(horn is black and
well developed)
- Bentuk kepala lebar
(head has wider
shape)
- Leher kompak dan
kuat (neck is solid
and strong)

minimal 93 cm
(2nd class: at
least 93 cm)
- Kelas III :
minimal 89 cm
(3rd class: at
least 89 cm)
Betina umur 24 – 36
bulan (female, age
24-36 months)
Tinggi gumba:
- Kelas I :
minimal 119 cm
(1st class: at
least 119 cm)
- Kelas II :
minimal 111 cm
(2nd class: at
least 111 cm)
- Kelas III :
minimal 108 cm
(3rd class: at
least 108 cm)
- Panjang badan:
- Kelas I :
minimal 121 cm
(1st class: at
least 121 cm)
- Kelas II :
minimal 110 cm
(2nd class: at
least 110 cm)
- Kelas III :
minimal 106 cm
(3rd class: at
least 106 cm)

Untuk mendapat keseragaman tersebut, dilakukan
penyesuaian-penyesuaian yang dimasukkan dalam
perhitungan diantaranya penyesuaian berat timbang.
Sapi yang mempunyai nilai obyektif dan subyektif
terbaik dari uji Performans masing-masing
kelompok dari peringkat 1 sampai 3 adalah (1)
0501.08 dengan nilai akhir Performans 113.30 dan
ratio berat 142.55; (2) 0510.08 dengan nilai akhir
Performans 109.46 dan ratio berat 136.37; (3)
0521.08 dengan nilai akhir Performans 104.20 dan
ratio berat 127.06. Untuk uji Performans ke depan
diharapkan seluruh peserta uji Performans
mempunyai nilai minimum sesuai standar bibit
dalam Standart Nasional Indonesia (SNI) Sapi Bali.
Dengan demikian seluruh peserta uji Performans ini
dapat dimanfaatkan selain sebagai bibit penghasil
mani beku juga sebagai bibit sebar yang bisa
dimanfaatkan sebagai pejantan di daerah-daerah
yang belum bisa dijangkau oleh petugas inseminasi
buatan.
2.3

Citra Digital

Suatu citra adalah fungsi intensitas 2
dimensi f(x, y), dimana x dan y adalah koordinat
spasial dan f pada titik (x, y) merupakan tingkat
kecerahan (brightness) suatu citra pada suatu titik.
Suatu citra diperoleh dari penangkapan kekuatan
sinar yang dipantulkan oleh objek. Citra digital
adalah citra f(x,y) yang telah dilakukan
digitalisasi
baik
koordinat
area
maupun
brightness level. Nilai f di koordinat (x,y) pada
Gambar 2 menunjukkan brightness atau grayness
level dari citra pada titik tersebut (Rafael C.
Gonzalez, Richard E. Woods, 2008).

Sumber : Direktorat Perbibitan, Ditjen Peternakan,
Departemen Pertanian, Republik Indonesia (2006).
Pada tahun lalu, Ni Wayan Patmawati dkk
melakukan penelitian tentang pemilihan bibit unggul
Sapi Bali dari hasil seleksi sapi pejantan berbasis uji
Performans. Berdasakan hasil uji performans,
didapatkan tiga jenis performans terbaik yaitu nilai
113.30, 109.46, dan 104.20 dipilih sebagai calon
pejantan potensial untuk uji Zurait (uji progeni)
selanjutnya (Ni Wayan Patmawati dkk, 2013).
Uji performans merupakan salah satu metode
uji pada ternak untuk mengetahui sejauh mana
tingkat performans atau penampilan Sapi untuk
memperoleh penampilan terbaik yang kemudian
diturunkan pada anaknya. Secara teknis, pengujian
tersebut dilakukan pada Sapi Jantan, fase
pertumbuhan cepat (sekitar 1-2 tahun) dengan
membandingkan antara penampilan individu dengan
penampilan rata-rata kelompoknya. Bias lingkungan
ditekan sekecil mungkin atau lingkungan
diseragamkan sehingga penampilan individu setara
dengan kandungan potensi genetik ternak itu sendiri.

166

x

(0,0)
f(x,y)

y
Gambar 2 Sumbu Koordinat Citra

^ yi , xi `

Peninjauan data pelatihan yang digunakan akan
diberikan label dengan bentuk

N
i 1

yang

yi  ^ 1,1`, xi  R n menggunakan

masing-masing merupakan kelas data dan vektor
data, dengan

formulasi C-SVM (C. Cortes., V. Vapnik, 1995).
Untuk kasus linear, algoritma ini dapat menemukan
hyperplane terbaik yang memisahkan data dengan
meminimalkan :

1 2
N
w  C ¦i 1[ i
(1)
2
dengan syarat yi w x xi  b t 1  [i dan [i t 0 ,
W w, [  sebagai fungsi tujuan untuk mencari
hyperplane yang optimal, [ sebagai variabel slack,

W w, [ 

dimana C > 0 adalah tradeoff antara keteraturan atau
kendala pada pembuatan constraint, w merupakan
vektor yang tegak lurus dengan hyperplane dan N
adalah banyaknya data pelatihan. Untuk kernel pada
titik data, K(x,z) : Rn x Rn Æ R merupakan inner
produk M x x M z dalam bentuk yang belum
dilakukan
penghitungan
akan
kemungkinan
besarnya dimensi dalam ruang fitur yang dapat
diperoleh secara maksimal dengan persamaan
berikut :

 

W D 

¦

N

i 1

Di 

0 d Di d C

Untuk :

dan

1
¦ D iD j yi y j K x, xi  (2)
2 ij

¦

N

D i yi

0

i 1

Fungsi keputusannya adalah
dimana :

f x 

¦

m

¦

konstanta

2.4 Additive Kernel SVM

D i yi K x, xi   b

(3)

sign f x  ,
(4)

i 1



w

m





persamaan

D i yi xi

i 1

hyperplane





dimana

1


dan b  w.x  w.x
2

jika pada kasus non-linear dapat ditulis sebagai
f x w x M x  b (Subhransu Maji, Alexander
C. Berg, Jitendra Malik, 2013). Karena Additive
Kernel SVM merupakan non linear SVM, maka
mengunakan fungsi kernel K(x,xi). Persamaan
hyperplane f(x) diubah menjadi persamaan (5),

¦ f (x )  b
n

f ( x)

i

(5)

i

i 1

dimana n merupakan banyaknya dimensi data, jika
persamaan (5) tersebut dijabarkan, maka akan
menjadi persamaan (6).

¦D
m

f i ( xi )

l

y i K i ( x i , x l ,i )

(6)

l 1

Variabel xl,i merupakan data ke-l pada kernel
ke-i. Salah satu kernel yang termasuk Additive
Kernel yaitu Intersection Kernel yang mencari nilai
minimum dimensi data dan menggabungkannya.
Pada persamaan (7), xi merupakan data dimensi ke-i.

f i ( xi )

¦D y x

xl ,i  si

l

l l .i

xi

¦D y

xl ,i t si

l

l

(7)

Pada Intersection Kernel, nilai w tidak perlu di
cari terlebih dahulu, tetapi dengan memodifikasi
nilai b seperti persamaan (8) dan (9).

ª§ m
 · º
«¨ ¦ D i y i x i x x ¸ »
1 © i 1
¹ »
b  «
m
«
2 §
· »
«¨ ¦ D i y i x i x x  ¸ »
¹ ¼»
¬«© i 1

b

n
ª§ m
 · º
y
D
¨
« ¦ i i ¦ min( xi , x ) ¸ »
1 ©i 1
i 1
¹ »
 «
n
2 Ǥ m
· »
«¨ ¦D i yi ¦ min( xi , x  ) ¸ »
«¬© i 1
i 1
¹ »¼

(8)

(9)

Perhatikan bahwa persamaan (2) dan (4) hanya
membutuhkan akses ke fungsi kernel dan bukan fitur
M . , m adalah banyak support vector. Dan hal yang
memungkinkan seseorang untuk memecahkan
formulasi dalam ruang fitur yang berdimensi tinggi
dengan sangat efisien, langkah ini juga disebut
sebagai kernel trik. Untuk lebih jelasnya, dalam
penggunaan notasi, fitur, xi : i  1,2,...,m akan

Daerah unclassifiable (yang sulit untuk
dikelaskan), seperti pada Gambar 3 digunakan
fungsi keanggotaan fuzzy berdasarkan persamaan
(10) dan (11) untuk mencapai hasil klasifikasi data

digunakan

yang memenuhi

D i : i  ^1,2,...,m`.

sebagai

^

support

`

vector

Dengan demikian, secara

umum, perhitungan m kernel yang diperlukan untuk
mengklasifikasikan titik dengan SVM kernelized dan
semua support vector harus disimpan. Untuk kernel
linear,
kita dapat melakukan dengan kernel
K x, z x x z , dan f x sebagai fungsi
pengambilan keputusan hasil klasifikasi yang dapat
f x w x x  b , b adalah
ditulis sebagai

 





167

2.5 Fuzzy Support Vector Machine (SVM)

Di ( x)

wit x  bi ! 0 . Untuk

melakukan hal ini, kelas i didefinisikan satu dimensi
fungsi keanggotaan mij(x) pada arah ortogonal untuk
memisahkan hyperplanes Dj(x) = 0 sebagai berikut
(Takuya Inoue, dan Shigeo Abe, 2001) :

untuk Di ( x) ! 1
­1
mii ( x) ®
lainnya
¯ Di ( x)

1. Untuk i = j

(10)

untuk Dj ( x)  1
­1
mij ( x) ®
lainnya
¯ Dj ( x)

2. Untuk  i ≠ j

(11)

Dj(x)=0

Class i

Di(x)=0

Class j

Gambar 5 Grafik Akurasi Sapi Betina 64px
Class k

Dk(x)=0

Gambar 3 Region Yang Tidak Bisa
Diklasiklasifikasi Dengan 2 Kelas

3.

Lingkungan Uji Coba, Hasil dan
Pembahasan

Gambar 6 Grafik Akurasi Sapi Betina 128px

Pada penelitian ini, data citra yang digunakan
sebagai lingkungan ujicoba diperoleh dari BLTU
sapi Bali. Keseluruhan data citra yang didapatkan
dalam bentuk file dengan format .jpg. Setiap citra
akan dilakukan identifikasi kelasnya. Sebagian datadata citra tersebut akan dipilih sebagai data training
dan data testing berdasarkan tingkat rasio yang telah
ditentukan. Untuk ujicoba pada penelitian ini,
Spesifikasi dari perangkat keras yang digunakan
dalam implementasi perangkat lunak terdiri dari
prosesor berjenis Intel(R) Core(TM) i7, memori
berkapasitas 4 GB dan kapasitas harddisk 750 GB.
Sedangkan untuk spesifikasi perangkat lunak yang
digunakan dalam implementasi perangkat lunak
yakni Matlab 2009a.
Dalam penelitian ini terdapat pengujian untuk
mengetahui tingkat akurasi yang dihasilkan oleh
sistem. Skenario pengujian dilakukan terhadap
ukuran cropping citra dan rasio perbandingan data
latih dan data uji dengan metode Fuzzy Additive
Support Vector Machines (FASVMs) dengan nilai
parameter Lamda = 5, C = 1, IterMax = 100000, dan
Epsilon = 10-5.

Gambar 7 Grafik Akurasi Sapi Jantan 32px

Gambar 8 Grafik Akurasi Sapi Jantan 64px

Gambar 9 Grafik Akurasi Sapi Jantan 128px
Hasil analisis dari pengujian data Sapi Betina
seperti yang ditunjukkan pada Gambar 4, Gambar 5
dan Gambar 6 didapatkan hasil rata-rata akurasi
tertinggi sebesar 50.53% pada ukuran cropping citra
64px dan akurasi tertinggi sebesar 61.11% yaitu
pada rasio data 40%:60% skenario ke-4 pada ukuran

Gambar 4 Grafik Akurasi Sapi Betina 32px

168

cropping citra 128px. Namun secara umum, dapat
disimpulkan bahwa pada hampir semua nilai akurasi
yang didapatkan pada pengujian data Sapi Betina,
nilainya tidak begitu optimal. Hal ini sangat
dipengaruhi oleh kemiripan dari masing-masing
komponen warna untuk setiap kelas pada Sapi
Betina tersebut yang bisa dikatakan perbedaan ciriciri atau polanya tidak signifikan. Sehingga
mengakibatkan hasil klasifikasinya lebih banyak
melakukan kesalahan prediksi kelas yang masih
tidak sesuai dengan kelas sebenarnya. Tetapi pada
pengujian Sapi Jantan, ternyata hasil evaluasi nilai
akurasinya sangatlah optimal. Pada Gambar 7,
Gambar 8 dan Gambar 9 didapatkan bahwa hasil
rata-rata nilai akurasi tertinggi sebesar 99.22% pada
ukuran cropping citra 64px dan akurasi tertingginya
sebesar 100% yaitu hampir pada setiap ukuran
terdapat nilai akurasi sempurna tersebut. Hal ini
dapat disimpulkan bahwa hasil pencapaian
pengujian citra pada Sapi Jantan sangatlah optimal.

4.

Kesimpulan dan Saran

Kesimpulan :
1. Implementasi
algoritma
FASVM
dapat
digunakan untuk klasifikasi data citra sapi pada
3 (tiga) kelas, dimana cara kerjanya dengan
melakukan proses training sebanyak kelas yang
digunakan, yaitu menjalankan additive kernel
SVM untuk dibandingkan pasangan masingmasing 2 (dua) dari 3 (tiga) kelas sehingga akan
membentuk 3 (tiga) hyperplane. Kemudian
setiap citra data uji akan dilakukan pengujian
terhadap masing-masing hyperplane tersebut
untuk mendapatkan nilai keanggotaan dari nilai
fungsi klasifikasinya yang paling maksimum.
2. Hasil beberapa proses pengujian kinerja
algoritma yang diusulkan didapatkan rata-rata
akurasi pada Sapi Betina sebesar 55.53% dan
pada Sapi Jantan 99.22% dengan ukuran citra
masing-masing 64px.
3. Pengembangan teknologi berbasis komputasi
cerdas berguna untuk memudahkan proses
klasifikasi sapi di Balai Pembibitan Ternak
Unggul (BPTU) sapi Bali yang selama ini masih
menggunakan
cara-cara
manual
dan
konvesional, serta mempercepat dalam proses
pendataan terkait dengan kuantitas dan kualitas
sapi secara periodik, serta membantu dalam
proses penjaminan mutu sapi berbasis teknologi
untuk menyediakan bibit unggul dan terpercaya.
Saran :
1. Diharapkan untuk pengambilan data Sapi Bali
menggunakan alat bantu (tele/kamera) yang
dapat memudahkan dan memberikan hasil citra
Sapi Bali yang lebih baik.
2. Diharapkan pada penelitian berikutnya dapat
menggunakan data citra yang lebih banyak dan

169

3.

dapat mewakili sebagian besar dari variasi umur
Sapi, terutama Sapi Betina.
Fitur yang digunakan dapat dikembangkan
melalui penggunaan bentuk (shapes), ruang
warna CMYK, HSI/HSV/HSL, YCrCb, YUV
maupun dengan fitur tektur (textures) pada
sebagain atau keseluruhan tubuh sapi serta fitur
dari gen sapi untuk penelitian yang lebih lanjut
terkait dengan, misalkan pemberian makanan
khusus pada sapi untuk terapi kesehatannya,
agar tetap memiliki kualitas unggul.

Daftar Pustaka:
[1]

C. Cortes., V. Vapnik, 1995, Support-Vector
Networks, Machine Learning, Vol. 20, No. 3,
pp. 273-297.
[2] I-Hong Jhuo, dan D. T. Lee, 2010, Boosted
Multiple Kernel Learning for Scene Category
Recognition. IEEE, International Conference
on Pattern Recognition, ICPR (2010),
page.3504-3507.
[3] M. E. Tipping, 2000, The relevance vector
machine. in Advances in Neural Information
Processing Systems , vol. 12.
[4] Ni Wayan Patmawati, Ni Nyoman Trinayani,
Mahmud Siswanto, I Nengah Wandia, I Ketut
Puja, 2013, Seleksi Awal Pejantan Sapi Bali
Berbasis Uji Performans, Jurnal Ilmu dan
Kesehatan Hewan, Februari 2013 Vol. 1, No.1:
29-33.
[5] Peraturan Gubernur Bali Nomor 45 Tahun
2004 dan Perda No 2/2003 yang melarang bibit
sapi bali betina keluar dari wilayah provinsi.
[6] Rafael C. Gonzalez, Richard E. Woods, 2008,
Digital Image Processing, Publication Date: 4
July 2008 | ISBN-10: 013505267X | ISBN-13:
978-0135052679 | Edition: 3.
[7] Sethu Vijayakumar dan Si Wu, 1999,
Sequential Support Vector Classifiers and
Regression,
Proceeding
International
Conference  on  Soft  Computing  (SOCO’99), 
Genoa, Italy, pp.610-619.
[8] Soekardono, Chairussyhur Arman, dan Lalu
Muhammad Kasip, 2009, Identifikasi Grade
Sapi Bali Betina Bibit Dan Koefisien
Reproduksi Sapi Betina Di Propinsi Nusa
Tenggara Barat, Buletin Peternakan Vol.
33(2): 74-80.
[9] Subhransu Maji, Alexander C. Berg, Jitendra
Malik, 2013, Efficient Classification for
Additive Kernel SVMs. IEEE, Transactions On
Pattern Analysis And Machine Intelligence,
Vol. 35, No. 1.
[10] Takuya Inoue, dan Shigeo Abe, 2001, Fuzzy
Support Vector Machines for Pattern
Classification, Neural Networks Proceedings
IJCNN'01, International Joint Conference on,
1: 1449-1454.