ABSTRAKSI: Pada masa ini, beberapa pedagang daging konsumsi yang melakukan tindakan pencampuran daging yang sangat merugikan konsumen yang beragama islam, seperti daging sapi dengan daging babi, daging kambing dengan daging anjing . Setelah fenomena tersebut diamati, maka pada tugas akhir ini akan diklasifikasikan jenis daging konsumsi dengan teknik pengolahan citra untuk dianalisis teksturnya. Jenis daging yang diklasifikasikan antara lain sapi, babi,kambing, anjing, dan ayam.
Dalam tugas akhir ini dibangun sistem yang dapat mengklasifikasikan daging – daging konsumsi tersebut. Langkah awal yaitu dilakukan preprocessing pada daging konsumsi dengan mengubah citra RGB ke citra grayscale. Pada citra grayscale kemudian akan diambil ekstraksi ciri daging – daging konsumsi tersebut dengan menggunakan ciri orde satu dan ciri orde dua. Parameter - parameter pada ciri orde satu dan ciri orde dua dikumpulkan kemudian dimasukkan pada metode klasifikasi dengan menggunakan k – Nearest Neighbor sehingga sistem bisa mengklasifikasikan jenis daging – daging konsumsi tersebut.
Pada tugas akhir ini menggunakan dua jenis data yaitu database citra latih dan masukan citra – citra uji. Jumlah database citra latih 250 buah dengan perincian 50 citra untuk setiap daging konsumsi. Jumlah masukan citra uji ada 300 buah dengan perincian 250 buah citra daging konsumsi untuk klasifikasi dan 50 buah citra untuk verifikasi. Ada tiga langkah percobaan pada tugas akhir ini yaitu pertama,, pada sistem tidak dilakukan verifikasi dengan memasukkan 250 citra uji daging konsumsi maka tingkat akurasi optimal didapatkan ketika k – Nearest Neighbor memakai k = 2 dengan aturan jarak city block sebesar 82,8 %. Kedua, dilakukan verifikasi pada sistem optimal dengan menambahkan 250 citra uji dengan 50 citra verifikasi dan pemberian nilai threshold. . Tingkat akurasi optimal dengan verifikasi didapatkan pada nilai threshold 50.000 yaitu 82,33 %. Terakhir , Citra – citra uji dibuat menjadi motion blur, ternyata pada sistem verifikasi dengan threshold 50.000 tingkat akurasi menurun drastis sebesar 37,33 %.Kata Kunci : pengolahan citra, daging, ciri orde satu, ciri orde dua, k – Nearest Neighbor.ABSTRACT: Nowadays, some of consumption meats sellers are mixing meats, which are forbidden for Muslim people, such as cow meats with pig meats, goat meats with dog meats. After that phenomenon is watched then on this thesis will do classification kind of consumption meats with image processing for analyzing its texture. Consumption meats are used for classification such as cow, pig, goat, dog, and chicken.
On this thesis system for classification consumption meats will be build on some step. First, do preprocessing of consumption meats by change RGB picture to grayscale picture. On the grayscale picture then feature extraction will be taken by use first and second order feature. Parameters on the first and second order feature are fall in then will be input to classification method with k – Nearest Neighbor so system can do classification for that consumption meats.
On this thesis use two kinds of samples, such as database train samples and input test samples. Amount of database train samples are about 250 pictures with 50 pictures for each consumption meats. Amount of input test samples are about 300 pictures with 250 pictures of consumption meats for classification and 50 pictures for verification. There are three steps experiment on this thesis. First, system with no verification by input 250 test samples picture of consumption meats. Then optimal accuracy level is got when use k – Nearest Neighbor with k = 2 city block distance, about 82,8 %. Second, does verification for system no verification with optimal accuracy level by add input 50 pictures for verification on the 250 test samples picture of consumption meats and add value of threshold. Optimal accuracy level on system with verification is got on threshold value is 50.000 about 82,33%. Last, each picture of test samples are changed to motion blur, then accuracy level on the system with verification by threshold 50.000 sharply decreased to 37,33 %
Keyword: image processing, meats, first order feature, second order feature, k – Nearest