Jurnal Teknologi Informasi dan Ilmu Komputer (Oct 2021)
Klasifikasi Mutu Telur Burung Puyuh Berdasarkan Warna dan Tekstur Menggunakan Metode K-Nearest Neighbor (KNN) dan Fusi Informasi
Abstract
Kualitas produk merupakan faktor utama untuk menjamin keberlangsungan satu usaha peternakan. Perusahaan telur puyuh yang memiliki ribuan burung Puyuh seperti CV. NS Quail Farm mampu memproduksi ribuan telur dalam sehari karena seekor burung Puyuh mampu menghasilkan 250-300 butir telur per tahun. Penyeleksian ribuan telur-telur tersebut dilakukan secara tradisional oleh para pekerja peternakan sehingga kualitas telur-telur hasil seleksi bergantung pada perspektif masing-masing pekerja. Guna memperoleh telur hasil seleksi dengan kualitas yang sama, maka dibangun sebuah sistem pencitraan digital untuk pemilihan telur burung Puyuh berdasarkan fitur warna dan tekstur kulit telur menggunakan metode klasifikasi K-Nearest Neighbor (KNN) yang dikombinasikan dengan fusi informasi. 300 data citra telur burung Puyuh diolah menggunakan normalisasi Red, Green, Blue (RGB) dan Otsu thresholding guna memperoleh fitur warna dan fitur tekstur yang kemudian difusikan menjadi fitur terfusi tunggal sebagai masukan pengklasifikasi KNN. Dari hasil-hasil penelitian, disimpulkan bahwa sistem berhasil mengklasifikasikan mutu telur Baik, Sedang, dan Buruk dengan akurasi rata-rata sebesar 77,78%. Disamping itu, klasifikasi dengan fusi informasi mampu mengungguli klasifikasi tanpa fusi informasi sebesar 11,11% pada nilai yang sama yakni 7 dan fusi informasi juga mampu mempercepat proses klasifikasi sebesar 0,22 detik dibandingkan terhadap klasifikasi tanpa fusi informasi. Abstract The quality of product us a primary factor to ensure the sustainability of a farm business. A company which has thousands of quail such as CV. NS Quail is capable of producing thousand quail eggs in a day because a quail is able to produce 250-300 eggs per year. The selection of the eggs is carried out traditionally by the farm workers so that the quality of the selected eggs are depended on the perspective of each worker. In order to obtain the same quality of the selected eggs, a digital imaging system for quail egg selection based on color feature and texture feature using K-Nearest Neighbor (KNN) combined with information fusion is developed. 300 image data of quail egg was processed using Red, Green, Blue (RGB) and Otsu thresholding to obtain color feature and texture feature which then were fused to become single fused feature as the input to KNN classifier. From the research results, it is concluded that the system was managed to classify egg quality as good, medium, and bad with an accuracy of 77,78%. In addition, the classification with information fusion was able to outperform the classification without information fusion by 11.11% at the same value of 7 and information fusion is also able to accelerate classification process by 0.22 seconds compared to that of without information fusion.