Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP)

Neneng, Neneng; Puspaningrum, Ajeng Savitri; Aldino, Ahmad Ari

doi:10.32664/smatika.v11i01.572

Cited by 6 publications

(4 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hal inilah yang menjadi dasar penelitian, "Klasifikasi Citra Daging Babi dan Daging Kerbau Menggunakan Histogram Citra dan GLCM". Pada penelitian ini, akan dibuat suatu sistem pengolahan citra untuk membedakan daging babi dan daging kerbau menggunakan analisis histogram citra dan metode Gray Level Co-occurrence Matrix (GLCM), dengan tujuan meningkatkan tingkat akurasi dari penelitian-penelitian sebelumnya (Astuti, 2016) dan (Neneng & Fernando, 2017).…”

Section: Pendahuluanunclassified

Klasifikasi Citra Daging Babi dan Daging Kerbau Menggunakan Histogram Citra dan GLCM

Damayanti,

Michael,

Fridolin

et al. 2023

JSCE

View full text Add to dashboard Cite

Due to high consumer demand, some traders use the high price of meat to make a profit by mixing pork and buffalo meat. Some consumers are not aware of this, because in plain view buffalo meat with pork meat is difficult to distinguish, especially for some ordinary people. This action is very detrimental and disturbing the local community, especially Muslims. At present, technological advances in the field of digital image processing are increasing rapidly, especially in food products. In general, this research was conducted in 2 (three) stages. The first stage, namely the stage of image data collection of pork and buffalo meat. The second stage, namely the classification of pork and buffalo meat images using image histogram analysis and the Gray Level Co-occurrence Matrix (GLCM) method based on the color and texture of the meat. In this study using the Red Green Blue (RGB) color image method and GLCM texture extraction, namely contrast, homogeneity, energy, and correlation. The study was conducted using 20 samples of meat images (10 images of pork and 10 images of buffalo meat, respectively). Based on the results of the research that has been done, it was found that the image of buffalo meat has a higher percentage value of the Red (R) color component when compared to the pork image, whereas the percentage value of the Green (G) and Blue (B) color components is lower when compared to the image pork. Then, if the value between pixels is not homogeneous (small homogeneity value), then the contrast value is large, and vice versa if the value between pixels is homogeneous (large homogeneity value) then the contrast value is small. The image of buffalo meat has a small homogeneity value compared to the image of pork, so the variation in intensity (contrast) in the image of buffalo meat is high.

show abstract

Section: Pendahuluanunclassified

Klasifikasi Citra Daging Babi dan Daging Kerbau Menggunakan Histogram Citra dan GLCM

Damayanti,

Michael,

Fridolin

et al. 2023

JSCE

View full text Add to dashboard Cite

show abstract

“…Pengujian dilakukan menggunakan metode Support Vector Machine (SVM) dengan ciri tekstur ASM, IDM, Entropy, kontras, dan korelasi. Hasil penelitian ini mendapatkan akurasi sebesar 75,6% menggunakan GLCM dan 85,6% menggunakan LBP [5]. Selanjutnya penelitian yang dilaksanakan oleh Puspita Sari,dkk pada tahun 2018 terkait dengan klasifikasi kualitas susu sapi menggunakan metode SVM dengan menggunakan 269 data latih dan data uji dengan 3 hasil kualitas susu yaitu rendah, standar, dan tinggi mendapatkan akurasi sebesar 94,02% menggunakan kernel RBF [6].…”

Section: Pendahuluanunclassified

Analisis Perbandingan K-Nearest Neighbor dan Support Vector Machine pada Klasifikasi Jenis Sapi dengan Metode Gray Level Coocurrence Matrix

Wijaya

Koredianto

Saidah

2022

Jur. Ilm. Komp. & Infor.

View full text Add to dashboard Cite

Sapi merupakan hewan ternak yang banyak dibudidayakan di Indonesia mulai dari daging, susu, kotoran, kulit, hingga membantu bercocok tanam. Menurut Badan Pusat Statistik pada tahun 2020 terdapat 17.466.792 ekor populasi sapi potong yang ada di Indonesia. Dari 17.466.792 ekor populasi sapi potong yang ada di Indonesia terdapat 896.200 ekor populasi sapi yang ada di Sumatera Utara yang merupakan provinsi 6 teratas yang memiliki populasi sapi potong terbanyak. Tetapi permasalahannya masih banyak peternak yang tidak mengetahui jenis dari sapi yang dimiliki sehingga perawatan yang salah pada sapi yang dimiliki tentu akan berpengaruh terhadap kualitas sapi yang dihasilkan. Dalam penelitian merancang sistem klasifikasi jenis sapi dengan metode Gray Level Cooccurrence Matrix (GLCM) menggunakan klasifikasi K-Nearest Neighbor dan Support Vector Machine (SVM) menggunakan 2 jenis klasifikasi yaitu klasifikasi K-NN dan klasifikasi SVM. Dalam pengujian ini didapatkan akurasi sebesar 100% pada klasifikasi K-NN dengan waktu komputasi sebesar 0.967 s dengan menggunakan jenis distance mahalonobis dengan nilai k =1 dan pada klasifikasi SVM didapatkan tingkat akurasi 80% dengan waktu komputasi sebesar 1.570 s dengan menggunakan jenis kernel polynomial dengan kelas SVM OAO. Dari hasil pengujian yang didapatkan sistem klasifikasi jenis sapi lebih mendapatkan nilai akurasi terbaik pada klasifikasi K-NN dengan nilai K=1 dan jenis distance mahalanobis.

show abstract

“…LS-SVM adalah model yang lebih sederhana dan sudah dimodifikasi dari metode SVM [9]. Sementara itu, untuk melakukan proses ekstraksi tekstur dari gambar sampah yang dimasukkan, maka akan digunakan metode Gray Level Co-occurrence Matrix (GLCM) [10]. GLCM merupakan salah satu metode statistikal untuk ekstraksi ciri tekstur dan termasuk yang paling banyak digunakan dalam teknik analisis tekstur [11].…”

Section: Pendahuluanunclassified

Aplikasi Klasifikasi Sampah Organik dan Non Organik dengan Metode GLCM Dan LS-SVM

Wong

2022

bulletincsr

View full text Add to dashboard Cite

Garbage is an item that no longer has any benefits for its users, which is the residue from the results of daily human activities or is the result of natural processes that have a solid form. The existing waste processing is only limited to conventional waste processing, which is only transported from the waste-producing place to the Temporary Disposal Site (TPS) and then just dumped into the TPS without processing it first, even though the rules for waste management procedures that must be carried out are: waste collection is then recycled and disposed of to the TPS, then the waste is transported to be disposed of at the Final Disposal Site. Therefore, in the process of waste management, it is necessary to separate waste into organic and non-organic waste. However, most people still have difficulty in sorting organic and non-organic waste, so an application is needed to help socialize waste sorting to the community. In this study, the Least Square Support Vector Machine (LS-SVM) method will be used to classify the types of waste. Meanwhile, to perform the texture extraction process from the included garbage image, the Gray Level Co-occurrence Matrix (GLCM) method will be used. The result of this research is a waste classification application that can provide knowledge and add insight for users, especially in distinguishing the types of organic waste and inorganic waste. The application of the GLCM and LS-SVM methods in the built application can detect types of organic and inorganic waste with a success rate of 97%.

show abstract

Perbandingan Hasil Klasifikasi Jenis Daging Menggunakan Ekstraksi Ciri Tekstur Gray Level Co-occurrence Matrices (GLCM) Dan Local Binary Pattern (LBP)

Cited by 6 publications

References 6 publications

Klasifikasi Citra Daging Babi dan Daging Kerbau Menggunakan Histogram Citra dan GLCM

Klasifikasi Citra Daging Babi dan Daging Kerbau Menggunakan Histogram Citra dan GLCM

Analisis Perbandingan K-Nearest Neighbor dan Support Vector Machine pada Klasifikasi Jenis Sapi dengan Metode Gray Level Coocurrence Matrix

Aplikasi Klasifikasi Sampah Organik dan Non Organik dengan Metode GLCM Dan LS-SVM

Contact Info

Product

Resources

About