Implementasi Algoritma Ekstraksi Fitur DCT dan GLCM pada Sistem Klasifikasi Kesegaran Daging Sapi Berbasis CNN

Sherly Haryanto, Monica (2024) Implementasi Algoritma Ekstraksi Fitur DCT dan GLCM pada Sistem Klasifikasi Kesegaran Daging Sapi Berbasis CNN. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (213kB)
	PDF BAB_II.pdf Download (980kB)
	PDF BAB_III.pdf Download (245kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (684kB)
	PDF BAB_V.pdf Download (230kB)
	PDF DAFTAR_PUSTAKA.pdf Download (220kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (226kB)

Abstract

Permintaan daging meningkat setiap tahun, dengan konsumsi di negara-negara OECD meningkat sebesar 13.9% dalam sepuluh tahun terakhir. Berdasarkan data Badan Pangan Nasional (Bapanas), total kebutuhan daging sapi segar untuk konsumsi rumah tangga nasional pada 2023 mencapai 139,47 ribu ton/tahun. Daging segar memerlukan penanganan yang tepat untuk menjaga kualitas dan keamanan. Verifikasi manual kesegaran daging memiliki akurasi rendah dan memakan waktu lama. Penggunaan deep learning dengan CNN menawarkan solusi yang lebih efisien dan akurat untuk verifikasi kesegaran daging. Penelitian ini mengimplementasikan algoritma ekstraksi fitur Discrete Cosine Transform (DCT) dan Gray-Level Co-Occurrence Matrix (GLCM) pada sistem klasifikasi kesegaran daging sapi berbasis CNN. DCT memecah citra menjadi berbagai frekuensi, sementara GLCM menganalisis tekstur citra berdasarkan pasangan nilai piksel. Berdasarkan penelitian yang dilakukan, hasil terbaik diperoleh dari pelatihan model CNN dengan DCT ambang batas 25% dan GLCM jarak 1, dengan learning rate 0.0001. Akurasi yang dicapai mencapai 93%, dengan nilai loss 0.211. Waktu pelatihan tercatat 20304 detik dan waktu pengujian 82.160 detik. Implementasi algoritma DCT dan GLCM pada sistem klasifikasi kesegaran daging sapi berbasis CNN terbukti meningkatkan akurasi klasifikasi secara signifikan, dengan peningkatan akurasi sebesar 13% dibandingkan penelitian sebelumnya dan 43% dibandingkan model CNN tanpa ekstraksi fitur. Akurasi terbaik sebesar 93% dengan f1-score untuk dua kelas masing-masing 0.93 dan 0.94, menunjukkan keunggulan metode ini dalam verifikasi kesegaran daging.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Neural Network (CNN), Discrete Consine Transform (DCT), daging sapi, ekstraksi fitur, Gray Level Co-occurrence Matrix (GLCM), kesegaran daging
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Nov 2024 11:53
Last Modified:	09 Nov 2024 11:53
URI:	https://kc.umn.ac.id/id/eprint/33922

Actions (login required)

View Item