Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbor untuk Mendeteksi Kualitas Telur Ayam

Jurnal VOI (Voice Of Informatics)

View Publication Info
 
 
Field Value
 
Title Implementasi Pengolahan Citra dan Klasifikasi K-Nearest Neighbor untuk Mendeteksi Kualitas Telur Ayam
 
Creator Rahmadianto, Rizky; Universitas Dian Nuswantoro
Mulyanto, Edy; Universitas Dian Nuswantoro
Sutojo, T.; Universitas Dian Nuswantoro
 
Subject Telur Ayam, K-Nearest Neighbor, Statistik Orde Pertama
 
Description Telur ayam tidak hanya mengandung protein namun dilengkapi dengan Omega-3. Omega-3 inilah yang membuat telur akan kaya manfaat dan tidak hanya protein yang didapat. Telur biasa dan telur omega tidak bisa dibedakan secara kasat mata atau berdasarkan penglihatan manusia saja. Memecahkan telur dan melihat embrio pada telur tersebut merupakan alternatif untuk mengetahui telur tersebut merupakan telur biasa atau telur omega. Kesulitan terjadi jika jumlah telur tersebut puluhan hingga ratusan. Masalah tersebut akan diselesaikan dengan metode klasifikasi menggunakan algoritma K-Nearest Neighbor (KNN).  K-Nearest Neighbor dapat mengatasi masalah dari K-Means, Otsu, Region Props dan Labelling yaitu, kurang akuratnya hasil atau nilai yang diperoleh dan juga merupakan salah satu metode klasifikasi yang mudah dan efektif.  Penelitian ini menggunakan olah citra dan menambahkan metode K-Nearest Neighbor guna mencari klasifikasi data uji, membedakan telur ayam beromega dengan telur ayam biasa dengan analisa tekstur menggunakan statistik orde pertama yaitu mean, standart deviation, skewness, dan kurtosis. Dan untuk uji akurasi menggunakan confusion matrix. Citra telur yang didapat akan dianalisa dengan statistik orde pertama terlebih dahulu. Hasil penelitian menunjukkan bahwa metode yang dipilih berhasil digunakan, dengan hasil K tertinggi yaitu K=7 dan akurasinya 86%. Kata kunci — Telur Ayam, K-Nearest Neighbor, Statistik Orde Pertama Chicken eggs do not only contain protein but are equipped with Omega-3. Omega-3 is what makes eggs will be rich in benefits and not only the protein obtained. Ordinary eggs and omega eggs cannot be distinguished by naked eye or by human vision alone. Breaking the egg and seeing the embryo on the egg is an alternative to knowing that the egg is an ordinary egg or an omega egg. Difficulties occur if the number of eggs is tens to hundreds. The problem will be solved by the classification method using the K-Nearest Neighbor (KNN) algorithm. K-Nearest Neighbor can overcome problems from K-Means, Otsu, Props Region and Labeling, namely, the lack of accurate results or values obtained and also one of the easy and effective classification methods. This study uses image processing and adds the K-Nearest Neighbor method to search for classification of test data, differentiating between Omega 3 chicken eggs and ordinary chicken eggs with texture analysis using first-order statistics, namely the mean, standard deviation, skewness, and kurtosis. And to test the accuracy using confusion matrix. The image of the eggs obtained will be analyzed with first-order statistics first. The results showed that the method chosen was successfully used, with the highest K result, namely K = 7 and its accuracy was 86%. Keywords — Chicken Eggs, K-Nearest Neighbor, First Order Statistics
 
Publisher STMIK Tasikmalaya
 
Contributor
 
Date 2019-01-11
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Artikel yang dipeer-review
 
Format application/pdf
 
Identifier http://voi.stmik-tasikmalaya.ac.id/index.php/voi/article/view/164
 
Source Voice Of Informatics; Vol 8, No 1 (2019)
Jurnal VOI (Voice Of Informatics); Vol 8, No 1 (2019)
2579-3489
2337-9170
 
Language ind
 
Relation http://voi.stmik-tasikmalaya.ac.id/index.php/voi/article/view/164/61
 
Rights ##submission.copyrightStatement##
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library