Klasifikasi Tingkat Kebusukan Daging Menggunakan Sensor Gas Semikonduktor, Pengolahan Citra GLCM dan Neural Network

Kartika, Vinda Setya (2018) Klasifikasi Tingkat Kebusukan Daging Menggunakan Sensor Gas Semikonduktor, Pengolahan Citra GLCM dan Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07111550040201-Master_Thesis.pdf - Published Version
Restricted to Repository staff only

Download (6MB) | Request a copy

Abstract

Klasifikasi tingkat kebusukan daging merupakan penggolongan daging menjadi beberapa tingkatan berdasarkan kebusukannya. Adanya kasus penjualan daging busuk di masyarakat menjadi alasan mengapa klasifikasi tingkat kebusukan ini diperlukan. Kebusukan pada daging dapat dideteksi dengan menggunakan indra penciuman dan penglihatan. Klasifikasi secara otomatis dilakukan untuk menggantikan peranan indra penciuman dan penglihatan dikarenakan gas yang terkandung didalam daging busuk dapat membahayakan tubuh apabila terhirup secara langsung yang mengakibatkan gangguan pada saluran pernafasan, daging busuk berbahaya apabila dikonsumsi karena terkontaminasi oleh bakteri yang dapat mengakibatkan keracunan makanan. Bakteri pada daging busuk tidak akan mati meskipun daging dimasak. Selain itu, klasifikasi akan memperoleh hasil yang berbeda-beda karena disebabkan oleh banyak faktor, diantaranya adanya tingkat pengetahuan, subyektifikas, dan pengalaman seseorang. Pada penelitian ini dilakukan pendeteksian dengan menggunakan deret sensor gas semikonduktor untuk mendeteksi gas yang terkandung di dalam daging. Pengolahan citra menggunakan Angular Second Moment (ASM) dan Inverse Difference Momentum (IDM) untuk mendeteksi warna dan tekstur pada permukaan daging. Output dari sensor gas semikonduktor dan pengolahan citra menjadi masukan bagi neural network. Fungsi dari neural network ini adalah untuk mengklasifikasi tingkat kebusukan daging dengan cara dilatih terlebih dahulu. Hasil klasifikasi dari Neural Network mempunyai tingkat keberhasilan 89%. Dari hasil ini menunjukkan sistem klasifikasi tingkat kebusukan daging sudah baik karena dapat membedakan kebusukan daging. Metode ini diharapkan dapat menggantikan peran indra manusia dalam penggolongan daging secara otomatis. ============= The classification of the degree of meat rot is a classification of meat into several levels based on its rottenness. The existence of a case of rotten meat sales in the community is the reason why this classification of decay levels is needed. Rottenness in meat can be detected using the sense of smell and sight. Classification is automatically performed to replace the role of the sense of smell and vision because the gas contained in rotten meat can harm the body if inhaled directly causing interference in the respiratory tract, rotten meat harmful if consumed due to contamination by bacteria that can lead to food poisoning. Bacteria in rotten meat will not die even if the meat is cooked. In addition, the classification will get different results because it is caused by many factors, including the level of knowledge, subjectivity, and one's experience. In this study detection by using semiconductor gas sensor array to detect the gas contained in the meat. Image processing uses Angular Second Moment (ASM) and Inverse Difference Momentum (IDM) to detect color and texture on the surface of the meat. The output of the semiconductor gas sensors and image processing become input for the neural network. The function of this neural network is to classify the level of decay of the meat by way of being trained first. The classification results of Neural Network had a success rate of 89%. From these results indicate the classification system of meat rot has been good because it can distinguish the decay of meat. This method is expected to replace the role of the human senses in the classification of meat automatically.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Neural Network; Pengolahan Citra; Sensor Gas; Tingkat Kebusukan Daging; gas sensor; image processing; meat decay rate
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Industrial Technology > Electrical Engineering > (S2) Master Theses
Depositing User: KArtika Vinda Setya
Date Deposited: 22 Feb 2018 06:29
Last Modified: 22 Feb 2018 06:29
URI: http://repository.its.ac.id/id/eprint/49477

Actions (login required)

View Item View Item