ESTIMASI BOBOT KARKAS SAPI BERDASARKAN METODE REGION GROWING DAN KLASIFIKASI K-NN

DISTYAN PUTRA AGRISATIVA

Informasi Umum

Kode

17.04.1396

Klasifikasi

621.382 7 - Optical communications, Transmission of sound, Visual images, Other information by light, Optical disc technology, Laser communication

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Image Processing

Dilihat

6 kali

Informasi Lainnya

Abstraksi

Sapi adalah hewan ternak yang banyak dimanfaatkan oleh manusia. Salah satu pemanfaatannnya adalah sebagai bahan pangan. Di Indonesia konsumsi daging sapi terus meningkat setiap tahunnya. Dengan meningkatnya konsumsi daging setiap tahunnya, menandakan agribisnis sapi merupakan salah satu bisnis yang menjanjikan. Ukuran keberhasilan dalam manajemen pemeliharaan sapi potong adalah dengan melihat produktivitasnya, yaitu didapatkannya ternak sehat diikuti bobot karkas yang relatif besar. Oleh karena itu, proses penentuan bobot sapi merupakan salah satu hal penting dalam agribisnis sapi potong. Bobot badan sapi dapat diperoleh dengan mengukur lingkar dada, panjang badan, dan penimbangan. Namun cara tersebut kurang praktis dan masih memiliki beberapa kendala. Image processing dapat digunakan untuk mengestimasi bobot karkas sapi dan diharapkan prosesnya lebih efektif dan efisien. Dalam mendapatkan estimasi bobot karkas sapi secara optimal ada beberapa tahap yang perlu dilakukan yaitu : pre-processing, segmentasi citra, ekstraksi ciri dan klasifikasi. Metode segmentasi yang digunakan adalah Region Growing untuk memisahkan citra sapi dengan background. Melalui segmentasi ditemukan ciri berupa lebar dada dan panjang badan sapi yang digunakan dalam perhitungan mengestimasi bobot karkas sapi dan proses klasifikasi. Klasifikasi yang digunakan adalah K- Nearest Neighbor (K-NN), bekerja dengan mengklasifikasikan objek berdasarkan data pembelajaran dalam jarak paling dekat dengan objek. Perolehan hasil dari serangkaian proses di atas adalah sebuah aplikasi Matlab yang dapat mengestimasi berat karkas sapi dari citra digital dan melakukan klasifikasi sapi menjadi sapi berukuran besar dan sedang. Pada tugas akhir ini diperoleh hasil akurasi bobot karkas sebesar 88.2% dengan waktu komputasi rata-rata 61.2 detik. Sedangkan akurasi berdasarkan K-NN sebesar 75% dimana lebih baik daripada penelitian sebelumnya yang menggunakan Graph Partitioning dan Klasifikasi K-NN dengan akurasi sebesar 64.7%. Kata kunci : Bobot karkas sapi, Region Growing, K- Nearest Neighbor.