Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP)
DOI:
https://doi.org/10.32664/smatika.v11i01.572Kata Kunci:
GLCM, LBP, Tekstur, SVMAbstrak
Daging memiliki nilai gizi tinggi yang banyak dikonsumsi oleh manusia. Kandungan yang terdapat dalam daging meliputi protein, vitamin, mineral, lemak, dan zat lainnya yang sangat dibutuhkan di dalam tubuh sehingga dapat melaksanakan kegiatan setiap harinya. Akan tetapi sayangnya tidak semua masyarakat bisa membedakan jenis daging tersebut, dikarenakan tekstur dan warnanya yang hampir mirip. Hal ini juga kerap dimanfaatkan oleh penjual daging yang tidak bertanggungjawab dengan mencampur jenis daging tersebut atau dengan jenis daging lain untuk mendapatkan keuntungan yang besar. Padahal tidak semua orang bisa mengkonsumsi jenis daging tertentu karena alasan penyakit yang diderita. Penelitian yang dilakukan ini membandingkan metode GLCM dan LBP untuk klasifikasi citra jenis daging berdasarkan analisis tekstur. Jenis citra daging yang diklasifikasi adalah daging kambing, kerbau, dan kuda. Data citra daging tersebut diperoleh dengan cara mengambil gambar secara manual menggunakan kamera digital yakni Nikon D3200. Citra tersebut diambil dengan jarak 20 cm. Pengujian dan pelatihan data dilakukan dengan metode Support Vector Machine (SVM). Ciri tekstur yang digunakan adalah ASM, IDM, entropi, kontras, serta korelasi. Hasil akurasi klasifikasi citra daging kambing, kerbau, dan kuda menggunakan metode GLCM adalah sebesar 75,6%. Sedangkan hasil akurasi klasifikasi menggunakan metode LBP adalah sebesar 85,6%. Dengan demikian, metode ekstraksi ciri tekstur LBP lebih direkomendasikan untuk klasifikasi jenis daging menggunakan ciri tekstur.
Referensi
A. Suresh and K. L. Shunmuganathan, “Image texture classification using gray level co-occurrence matrix based statistical features,†Eur. J. Sci. Res., 2012.
D. Huang, C. Shan, M. Ardabilian, Y. Wang, and L. Chen, “Local binary patterns and its application to facial image analysis: A survey,†IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews. 2011, doi: 10.1109/TSMCC.2011.2118750.
N. Neneng, K. Adi, and R. Isnanto, “Support Vector Machine Untuk Klasifikasi Citra Jenis Daging Berdasarkan Tekstur Menggunakan Ekstraksi Ciri Gray Level Co-Occurrence Matrices (GLCM),†J. Sist. Inf. BISNIS, 2016, doi: 10.21456/vol6iss1pp1-10.
Y. Fernando, “Klasifikasi Jenis Daging Berdasarkan Analisis Citra Tekstur Gray Level Co-Occurrence Matrices ( Glcm ) Dan Warna,†in Seminar Nasional Sains dan Teknologi 2017, 2017, no. Fakultas Teknik Universitas Muhammadiyah Jakarta, pp. 1–7.
T. Ahonen, A. Hadid, and M. Pietikäinen, “Face description with local binary patterns: Application to face recognition,†IEEE Trans. Pattern Anal. Mach. Intell., 2006, doi: 10.1109/TPAMI.2006.244.
D. Kita, A. W. Widodo, and M. A. Rahman, “Ekstraksi Ciri pada Klasifikasi Tipe Kulit Wajah Menggunakan Metode Local Binary Pattern,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., 2019.
S. Styawati and K. Mustofa, “A Support Vector Machine-Firefly Algorithm for Movie Opinion Data Classification,†IJCCS (Indonesian J. Comput. Cybern. Syst., 2019, doi: 10.22146/ijccs.41302.
H. Sulistiani and A. A. Aldino, “Decision Tree C4.5 Algorithm For Tuition Aid Grant Program Classification (Case Study: Department Of Information System, Universitas Teknokrat Indonesia),†Edutic - Sci. J. Informatics Educ., 2020, doi: 10.21107/edutic.v7i1.8849.
D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,†j. Teknokompak, 2020.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
