Citra Digital Untuk Klasifikasi Kualitas Udang Windu Menggunakan Algoritma GLCM dan K-Nearest Neighbor

Najirah Umar, Fiqri Haikal, Mashur Razak

Abstract


Udang merupakan bahan pangan yang bersifat mudah rusak berdasarkan observasi secara langsung proses penyortiran udang yang dilakukan oleh distributor ataupun nelayan untuk menyeleksi udang berdasarkan kualitasnya masih menggunakan metode manual dan terkadang hasil penyortiran masih tidak sesuai dengan kualitas udang tersebut serta indikator dari kualitasnya hanya diliat dari fisik seperti berat ataupun ukuran pada udang tersebut, sehingga udang yang kualitas bagus dapat tercampur dengan kualitas kurang bagus maka dari itu akan terjadi kontaminasi yang menyebabkan udang yang kualitas bagus menjadi cepat busuk. Pada tugas akhir ini bertujuan untuk membangun sistem pengolahan citra yang menerapkan algoritma Gray-level Co-occurrence Matrix (GLCM) dan K-nearest Neighbor (K-NN) untuk mendeteksi tingkat kualitas udang windu. Proses pertama adalah melakukan akuisisi citra yaitu, mengumpulkan beberapa gambar digital dari setiap kualitas udang untuk dijadikan objek. Selanjutnya  dilakukan proses pre-processing yaitu perubahan citra menjadi grayscale. Kemudian proses ekstraksi ciri menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mendapatkan data ciri fitur dari seluruh citra digital dan mengklasifikasikannya dengan metode K-Nearest Neighbor (K-NN). Pada hasil pengujian tingkat akurasi yang berasal dari 10 sampel telah teruji bahwa sebanyak 80% mendapatkan hasil informasi klasifikasi kualitas yang sesuai dengan sistem. Dan sistem ini mampu memberikan solusi keputusan dalam menentukan klasifikasi kualitas pada Udang Windu, sedangkan berdasarkan hasil pengujian blackbox, sistem ini menghasilkan persentase kemudahan penggunaan aplikasi sebanyak 92%.

 

Shrimp is a food that is easily damaged based on direct observation of the shrimp sorting process carried out by distributors or fishermen to select shrimp based on quality still using the manual method and sometimes the sorting results are still not in accordance with the quality of the shrimp and the quality indicators are only seen from the physical such as the weight or size of the shrimp, so that good quality shrimp can be mixed with less good quality, therefore contamination will occur which causes good quality shrimp to rot quickly. This final project aims to build an image processing system that applies the Gray-level Co-occurrence Matrix (GLCM) and K-nearest Neighbor (K-NN) algorithms to detect the quality level of Windu shrimp. The first process in this research is to perform image acquisition. That is, collecting several digital images of each quality of shrimp to use as an object. In addition, a pre-processing process is also carried out, namely changing the image to grayscale. Then the feature extraction process uses the Gray Level Co-occurrence Matrix (GLCM) method to obtain feature data from all digital images and classify them using the K-Nearest Neighbor (K-NN) method. The test results give an accuracy of 10 samples, it was found that as much as 80% got the results of quality classification information in accordance with the system. And this system is able to provide decision solutions in determining the quality classification of Windu Shrimp, while based on the results of blackbox testing, this system produces a percentage of application ease of use as much as 92%.


Keywords


Pengolahan Citra, Udang Windu, Klasifikasi

References


Adhitya, Y., Prakosa, S. W., Köppen, M., & Leu, J. S. (2020). Feature extraction for cocoa bean digital image classification prediction for smart farming application. Agronomy, 10(11). https://doi.org/10.3390/agronomy10111642

Afrinanda, L. (2016). Tenggek Menggunakan Metode K-Nearest Neighbor. 1–7.

Alvansga, E. (2019). Pengenalan Tekstur Menggunakan Metode Glcm Serta Modul Nirkabel. The Computer Journal, 70–75. http://repository.usd.ac.id/35558/2/155114015_full.pdf

Caballero, G. R., Platzeck, G., Pezzola, A., Casella, A., Winschel, C., Silva, S. S., Ludueña, E., Pasqualotto, N., & Delegido, J. (2020). Assessment of Multi-Date Sentinel-1 Polarizations and GLCM Texture Features Capacity for Onion and Sunflower Classification in an Irrigated Valley: An Object Level Approach. Agronomy, 10(6). https://doi.org/10.3390/agronomy10060845

Dananjaya et al. (2017). Peningkatan Daya Saing Produk Lokal Dalam Upaya Standardisasi Memasuki Pasar Global (Standardisasi Mutu dan Kualitas Udang Windu). UG Journal, 6(02), 9–15.

Ganatra, N., & Patel, A. (2020). A multiclass plant leaf disease detection using image processing and machine learning techniques. International Journal on Emerging Technologies, 11(2), 1082–1086.

Ratna, S. (2020). Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm. Technologia: Jurnal Ilmiah, 11(3), 181. https://doi.org/10.31602/tji.v11i3.3294

Rosyidah, L., Yusuf, R., & Deswati, H. (2020). Sistem Distribusi Udang Vaname Di Kabupaten Banyuwangi, Provinsi Jawa Timur. Buletin Ilmiah “MARINA” Sosial Ekonomi Kelautan Dan Perikanan, 6(1), 51–60.

http://ejournalbalitbang.kkp.go.id/index.php/mra/article/view/8540

Sianturi, D. (2020). Ekstraksi Fitur GLCM dan Metode LVQ Pengenalan Wajah berbasis Citra Digital. Poliklinik UNIVERSITAS SUMATERA UTARA, 1(3), 82–91.

Situmorang, G. T., Widodo, A. W., & Rahman, M. A. (2019). Penerapan Metode Gray Level Cooccurence Matrix ( GLCM ) untuk ekstraksi ciri pada telapak tangan. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(5), 4710–4716.

Widiastiwi, Y., Zaidiah, A., & Indriana, I. H. (2020). Pengujian Model Aplikasi User Interface E-Anjal Dengan Menggunakan Metode Black Box. Informatik : Jurnal Ilmu Komputer, 16(2), 106.

https://doi.org/10.52958/iftk.v16i2.1980




DOI: https://doi.org/10.31294/inf.v9i2.13686

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Index by:

 
  
   
   JournalStories Main logo  
Published by Department of Research and Public Service (LPPM) Universitas Bina Sarana Informatika with supported Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License