DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM RAS BERDASARKAN DETEKSI OBJEK TRANSPARAN DENGAN METODE GREY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)

  • Rizka Kaamtsaalil Salsabiilaa

Abstract

Telur adalah salah satu bahan pangan yang mudah dan lazim dijumpai di masyarakat Indonesia. Selain harganya murah, telur merupakan sumber nutrisi penting bagi kesehatan tubuh. Namun telur memiliki kualitas dan kesegaran yang berbeda-beda tergantung pada lingkungan penyimpanan dan kondisi induknya. Kesegaran telur dapat diketahui dari ketebalan dan kekentalan putih telurnya. Semakin tinggi putih telur semakin segar telur tersebut. Tebal atau tinggi albumen dapat diketahui dari nilai HU (Haugh Unit). Dalam makalah ini penulis membahas mengenai cara mendeteksi kualitas dan kesegaran telur menggunakan deteksi objek transparan dengan menggunakan metode GLCM (Grey Level Co-occurrence Method) dan klasifikasi KNN (K-Nearest Neighbor). Telur yang digunakan ialah telur ayam negeri. Pada penelitian ini dilakukan pengujian 51 citra telur, dengan komposisi masing-masing kelas memiliki 17 citra telur AA, 17 citra telur A, dan 17 citra telur B. Sehingga didapatkan akurasi terbaik sebesar 82.35% dengan menggunakan metode GLCM (Grey Level Co-occurrence Matrix) dengan parameter orde dua kontras, energy, korelasi, homogenitas dan arah sudut 45 pada jarak d = 1 dan kuantisasi yang digunakan adalah 8, dengan klasifikasi KNN (K-Neirest Neighbor) menggunakan jarak cosine pada K= 1.

Downloads

Download data is not yet available.
Published
2019-01-14
How to Cite
SALSABIILAA, Rizka Kaamtsaalil. DETEKSI KUALITAS DAN KESEGARAN TELUR AYAM RAS BERDASARKAN DETEKSI OBJEK TRANSPARAN DENGAN METODE GREY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN). TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika, [S.l.], v. 1, n. 2, p. 1-10, jan. 2019. ISSN 2502-2105. Available at: <//journals.telkomuniversity.ac.id/tektrika/article/view/1740>. Date accessed: 29 mar. 2024. doi: https://doi.org/10.25124/tektrika.v1i2.1740.
Section
Survey Articles