dentifikasi Fertilitas Telur Ayam Kampung Menggunakan Metode Learning Vector Quantization (LVQ) dan Ekstraksi GLCM

Adi Kurnia Sadiva, Feris (2020) dentifikasi Fertilitas Telur Ayam Kampung Menggunakan Metode Learning Vector Quantization (LVQ) dan Ekstraksi GLCM. Sarjana thesis, Universitas Brawijaya.

Abstract

Pada usaha bidang pembibitan Ayam Kampung, peternak diharuskan menghasilkan telur ayam guna mendapatkan bibit, di mana tidak semua telur ayam tersebut akan dapat menetas dan menjadi anak ayam atau bibit ayam. Telur yang akan menetas maupun tidak tersebut dapat dideteksi dengan jelas dengan melakukan peneropongan di usia 8 hari masa inkubasi, dan sebenarnya telur tersebut dapat dideteksi lebih dini yaitu di usia 5 hari inkubasi akan tetapi cukup sulit dikarenakan embrio ayam yang terbentuk barulah sedikit sehingga mata manusia terkadang sulit untuk melakukan pendeteksian adanya embrio pada telur atau tidak, selain itu juga keterbatasan mata manusia dalam membedakan warna dari telur yang cukup mirip. Oleh karena itu, dibuatlah sistem klasifikasi fertilitas telur ini guna membantu dalam membedakan antara telur infertil (tidak terdapat embrio) atau telur Fertil (terdapat embrio). Dengan menggunakan sistem ini diharapkan dapat memberikan kemudahan pada peternak yang ingin melakukan pengecekan fertilitas telur akan tetapi tidak cukup jelas terlihat. Pada sistem ini mengusung metode Gray Level Coocurence matrix (GLCM) guna melakukan ekstraksi ciri dari sebuah citra telur dan metode Learning Vector Quantization (LVQ) guna melakukan klasifikasi pada fitur dari citra yang telah di ekstraksi. Sumber data yang digunakan merupakan hasil dari peneropongan telur di mana telur didapatkan dari beberapa peternak ayam kampung lokal. Data yang digunakan berupa data citra yang di ambil dari hasil peneropongan telur yang telah di inkubasi selama 5 hari. Berdasarkan penelitian yang telah dilakukan, didapatkan kesimpulan bahwa metode GLCM dapat digunakan untuk mengekstraksi fitur dari citra telur ayam kampung fertil dan infertil dan memberikan perbedaan nilai yang cukup signifikan, kemudian pada metode GLCM yang diterapkan mendapatkan hasil terbaik dari seluruh pengujian pada parameter sudut 0, jarak (d) bernilai 1 dan jumlah fitur glcm berjumlah 5, selain itu parameter learning rate pada lvq sebesar 0.05, sehingga didapatkan nilai akurasi terbaik sebesar 0,8813 atau 88,13%.

English Abstract

n a native chicken farm business, breeders are required to produce native chicken eggs to obtain seeds, where not all chicken eggs are able to hatch and become chicks or chicken seeds. Eggs that will hatch or cannot be detected clearly by observation at the age of 8 days of incubation, and actually the eggs can be detected earlier, namely at the time of incubation of 5 days, but it is quite difficult because the chicken embryos that are formed are only a few, so the human eye is sometimes difficult detecting the presence of an embryo in an egg or not, besides the limitations of the human eye in distinguishing colors from eggs that are quite similar. Therefore, this egg fertility classification system was created to help differentiate between infertile eggs (no embryos) or fertile eggs (no embryos). Using this system is expected to make it easier for breeders who want to check egg fertility, but it is less clear. In this system, the Gray Level Cooccurrence Matrix (GLCM) method is used to extract egg image features and the Learning Vector Quantization (LVQ) method to classify the extracted image features. The data source used was the result of egg observations where the eggs were obtained from several local chicken breeders. The data used is in the form of image data taken from observations of eggs that have been incubated for 5 days. Based on the research that has been done, it can be concluded that the GLCM method can be used to extract features from the image of fertile and infertile native chicken eggs and provide a significant difference in values, so the applied GLCM method gets the best results from all tests. at angle parameter 0, distance. (d) has a value of 1 and the number of glcm features is 5, besides that the learning rate parameter at lvq is 0.05 so that the best accuracy value is 0.8813 or 88.13%

Item Type:	Thesis (Sarjana)
Identification Number:	0521150009
Uncontrolled Keywords:	fertilitas telur, ekstraksi fitur, klasifikasi, gray level coocurence matrix, learning vector quantization
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username nova
Date Deposited:	28 Sep 2022 06:41
Last Modified:	23 Sep 2024 03:03
URI:	http://repository.ub.ac.id/id/eprint/195075

Text Feris Adi Kurnia Sadiva.pdf Download (7MB)

Actions (login required)

View Item