Analisis Pembedaan Jenis Krecek Rambak Menggunakan Metode Analisis Citra Dan Jaringan Saraf Tiruan
| Main Author: | Tawakal, Irfan |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/8487/ |
Daftar Isi:
- Krecek rambak merupakan produk olahan mentah yang terbuat dari kulit hewan seperti sapi, kerbau dan babi yang sudah dikeringkan. Krecek mudah dijumpai di pasar tradisional dalam berbagai bentuk dan label. Kemiripan fisik ketiganya berpotensi dipalsukan. Hal ini membuat resah konsumen, khususnya masyarakat Indonesia yang mayoritas beragama Islam. Salah satu metode yang dapat digunakan mengidentifikasi warna yaitu analisis citra digital. Teknik analisis citra bisa memberikan informasi tepat jika digabungkan dengan sistem pengambilan keputusan yang memberikan akurasi tinggi. Jaringan Saraf Tiruan (JST) merupakan salah satu teknik klasifikasi yang cukup handal untuk memprediksi atau mengenali citra. Tujuan penelitian ini yaitu mengidentifikasi jenis krecek mengggunakan fitur warna dan tekstur citra serta mengetahui hasil klasifikasinya menggunakan JST backpropagation. Total data penelitian adalah 414 citra krecek sapi, kerbau, dan babi yang terdiri atas 70% data training dan 30% data validasi. Hasil penelitian menunjukkan fitur warna krecek babi memiliki nilai tertinggi dibanding rambak sapi dan kerbau pada indikator Red, Green, Blue (RGB), serta Hue, Saturation, sementara nilai intensitasnya terendah. Analisis tekstur Gray Level Co-occurance Matrix (GLCM) dengan offset [0 1], level terpilih 32 menunjukkan indikator correlation, entropy, dan homogeneity krecek sapi memiliki nilai terendah. Pada indikator contrast krecek babi memiliki nilai terendah, dan pada energy viii rambak kerbau memiliki nilai terendah. Topologi terbaik JST yaitu 6-20-1 menggunakan 6 input, 1 hidden layer dengan nodes masing-masing layer 20 nodes, fungsi pembelajaran Trainb, fungsi aktivasi logsig pada hidden layer dan logsig pada output layer. Kombinasi momentum:learning rate terbaik yaitu 0,9:0,1. Nilai mean square error (MSE) terbaik yaitu 0,3533 dengan R 0,93616 dan akurasi 66,667%. Peningkatan akurasi mungkin dapat dilakukan dengan penambahan input JST.