DETEKSI KUALITAS DAN KESEGARAN TELUR BERDASARKAN DETEKSI

OBJEK TRANSPARAN MENGGUNAKAN METODE HISTOGRAM OF ORIENTED

GRADIENTS (HOG) DENGAN KLASIFIKASI K-NEAREST NEIGHBOR (KNN)
QUALITY AND FRESHNESS DETECTION OF DOMESTIC CHICKEN EGGS BASED
ON TRANSPARENT OBJECT DETECTION WITH HISTOGRAM OF ORIENTED
GRADIENTS (HOG) AND K-NEAREST NEIGHBOR (KNN) CLASSIFICATION
Dio Devline Andhini1, Dr. Ir. Bambang Hidayat, DEA2, Prof. Dr. Ir. Sjafril Darana, S.U3
1,2
Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
3
Fakultas Peternakan, Universitas Padjadjaran
1
diodev@student.telkomuniversity.ac.id, 2bhidayat@telkomuniversity.ac.id, 3sjafrildaran@gmail.com
__________________________________________________________________________________________
Abstrak
Telur ayam negeri merupakan makanan pokok yang paling umum dikonsumsi, mulai dari bayi hingga orang
dewasa. Selain karena harga yang terjangkau, telur diminati karena kandungan yang kaya akan nutrisi seperti
protein, asam lemak tak jenuh, vitamin dan mineral. Tetapi, nutrisi yang terkandung di dalamnya tidak selalu baik
dan segar, maka untuk itu perlu dilakukan deteksi kualitas dan kesegaran telur. Kualitas dan kesegaran telur dapat
dilihat dengan mengukur kekentalan putih telur (albumen). Kekentalan atau ketinggian albumen sebanding dengan
kualitas dan kesegaran telur ayamnya. Faktor penentu kualitas dan kesegaran telur dapat dilakukan dengan Haugh
Unit (HU). Nilai HU dipengaruhi oleh lama waktu penyimpanan, suhu, kelembaban (Li-Chan dan Nakai, 1989).
Semakin lama telur disimpan, maka nilai HU telur semakin mengecil.
Dalam mendeteksi kualitas dan kesegaran telur, dilakukan segmentasi objek transparan dengan metode
Histogram of Oriented Gradients (HOG), untuk klasifikasinya digunakan metode K-Nearest Neighbour (KNN)
yang terbagi atas dua tahap, yaitu tahap data latih dan tahap data uji. Sistematika pengolahan citra sebelum di
proses adalah pre-processing, yaitu cropping, thresholding dan segmentasi. Setelah itu, tahap ekstraksi ciri
menggunakan HOG. Proses terakhir adalah tahap klasifikasi dengan metode KNN.
Pada penelitian Tugas Akhir dilakukan pengujian dengan 24 sampel citra latih dan 51 sampel citra uji
telur ayam negeri mendapatkan akurasi 84.31% dengan lama komputasi rata-rata 0.556 detik untuk 51 data uji.
Diharapkan hasil penelitian dapat dikembangkan dengan Android ataupun platform lainnya sehingga selanjutnya
dapat digunakan secara efisien untuk membantu supplier telur agar pendistribusian telur yang masih segar dapat
diterima oleh masyarakat luas.
Kata kunci : Pengolahan Citra, Telur Ayam Negeri, Deteksi Objek Transparan, Histogram of Oriented
Gradients (HOG), K-Nearest Neighbor (KNN).
__________________________________________________________________________________________
Abstract
Domestic chicken eggs are the most common staple food consumed, from infants to adults. Not only because
affordable price, but also contained rich of nutrients such as proteins, unsaturated fatty acids, vitamins and
minerals. However, the nutrients contained in it are not always good and fresh. Therefore, we need to check the
quality and freshness of the eggs. The quality and freshness can be seen by egg white (albumen). The viscosity or
altitude of albumen will relate with the quality and freshness of the chicken egg. Factors determining the quality
and freshness of eggs can be obtained with Haugh Unit (HU) determination. HU is affected by storage time,
temperature, humidity. The longer egg is stored, the HU value will be smaller.
In this case, the Object Transparent segmentation is done by using the Histogram Oriented Gradients (HOG)
method with the K Nearest Neighbor (KNN) for classification method in which divided into two stages, the data
training and data testing. Systematics of pre-process image processing are cropping, thresholding and
segmentation. The next step is feature extraction HOG used. The last process is classification with the KNN
method.
In this final project, tested 24 samples of training image and 51 samples of testing domestic chicken eggs
image are obtained 84.31% accuracy with 0.556 seconds average of time for 51 test data. The author expect that
this research can be developed on the Android or other platform. So it can be used efficiently futhermore to help
fresh egg distribution by the suppliers could be acceptabled to the consumers.
Keywords: Image Processing, Domestic Chicken Eggs, Transparent Object Detection, Histogram of Oriented
Gradients (HOG), K-Nearest Neighbor (KNN).
1. Pendahuluan
Gizi merupakan aspek penting bagi setiap orang dalam upaya pembentukan Sumber Daya Manusia (SDM)
yang unggul dan menciptakan generasi berprestasi. Dengan gizi yang baik maka pola pikir dan energi dapat bekerja
secara optimal. Gizi seimbang dapat terpenuhi dengan mengonsumsi protein sebagai zat pembangun utama,
sebagai contoh yang ditemukan dalam telur. Namun, tidak semua telur yang beredar di pasaran memiliki kualitas
dan kesegaran yang baik serta layak konsum. Selama ini, telur yang ada di pasar di uji kualitasnya berdasarkan
kualitas eksterior terdiri dari keutuhan telur, berat telur, kebersihan telur ataupun kondisi kerabang. Disisi lain,
kualitas interior pada telur juga tidak kalah penting untuk dilakukan seperti nilai Haugh Unit (HU) yang sering
dijadikan tolak ukur untuk deteksi kualitas dan kesegaran telur. Karena itu, perlu dilakukan pemilihan yang
berkualitas baik dan segar sehingga telur yang berkualitas dapat terdistribusi dengan baik dan merata.
Dalam Tugas Akhir sebelumnya yang berjudul Deteksi Kualitas dan Kesegaran Telur Ayam Negeri
berdasarkan Segmentasi Warna Menggunakan Metode Fuzzy Color Histogram (FCH) dan Histogram Equalization
dengan Klasifikasi K-Nearest Neighbor (K-NN) pada Citra Digital disusun oleh Gita Meirinda [1] meneliti
tentang kualitas telur ayam negeri yang berfokus kepada yolk sebagai parameter utamanya dengan menggunakan
pengolahan citra digital. Akurasi yang diperoleh sebesar 76%. Pengambilan data dilakukan dengan mengambil
citra yolk dari sisi atas dan citra albumen dari samping objek menggunakan metode ekstraksi ciri Fuzzy Color
Histogram (FCH). Dan metode klasifikasi yang digunakan adalah K-Nearest Neighbor (KNN).
Beberapa persyaratan tingkat mutu telur ayam konsumsi yang menurut SNI 3926:2008 Badan Standardisasi
Nasional (BSN) dapat dilihat dari indeks kuning telur ataupun indeks albumen [2]. Dalam Tugas Akhir ini
dilakukan sistem penentuan kualitas dan kesegeran telur ayam negeri dengan image processing pada Transparent
Object menggunakan Histogram of Oriented Gradients (HOG), dimana Transparent Object yang dimaksud adalah
albumen dari telur. HOG adalah sebuah metode yang digunakan untuk mendeteksi objek sehingga cocok
digunakan untuk deteksi bentuk. HOG bekerja dengan perhitungan nilai gradien yang berada di setiap cell
(distribusi gradien). Dalam setiap cell disusun sebuah histogram dari sebuah gradien. Kombinasi dari histogram
tersebut dijadikan sebagai deskriptor yang mewakili sebuah objek [3]. Untuk metode klasifikasi yang digunakan
adalah K-Nearest Neighbor (K-NN) yang terbagi kedalam dua tahap, yaitu pelatihan dan pengujian dimana
tujuannya adalah untuk mendapatkan feature vector dari hasil ekstraksi ciri yang dimasukkan ke tahap pengujian
dengan parameter uji
2. Dasar Teori
2. 1 Pengertian Telur
Telur adalah salah satu bahan pangan yang bernilai gizi tinggi dan merupakan sumber protein hewani,
khususnya asam amino esensial. Protein dalam telur memberikan pengaruh yang lebih baik daripada bahan
protein lainnya karena telur memiliki zat gizi dengan daya cerna tinggi. Oleh karenanya, telur merupakan
sumber makanan yang umum dikonsumsi dan telah dinikmati oleh umat manusia di belahan dunia manapun.
Selain kelezatannya, telur digemari karena terdapat banyak manfaat untuk kesehatan [4].
2. 2 Komponen Telur

Gambar 2. 1 Komponen telur[5]

Menurut Paula Figoni (2008) [6], terdapat beberapa komponen didalam telur, diantaranya:
1. Putih Telur, yang sepenuhnya terdiri oleh protein & air.
2. Kuning Telur(Yolk), mengandung 50% uap basah dan 50% kuning padat.
3. Kulit Telur(shell), memiliki berat sekitar 11 % dari jumlah total berat telur.
4. Rongga Udara (air cell), selaput pelindung yang berupa udara yang terletak diantara kulit telur dan
kuning telur.
5. Chalazae, tali dari putih telur yang mempertahankan kuning telur agar tetap di tengah
2. 3 Kandungan Gizi Telur
Nutrisi yang dimiliki telur sangat lengkap, beberapa kandungan gizi didalamnya, yaitu:
a. Protein dan Asam Amino, berperan penting dalam pertumbuhan dan sebagai bahan baku untuk
memperbaiki jaringan tubuh.
b. Vitamin seperti vitamin A, D, E, K dan B (B6, B12) serta mineral seperti zat besi, kalsium, yodium,
magnesium dan zink.
c. Lemak Tak Jenuh seperti Omega-3 yang diketahui dapat melindungi jantung.
2. 4 Kualitas Telur
Secara standard umum, telur memiliki 3 grade (tingkat kualitas) yaitu grade AA, grade A dan grade B.
Berikut contoh gambar dibawah ini [7][8]:

Gambar 2. 2 Telur dengan Gambar 2. 3 Telur dengan Gambar 2. 4 Telur dengan

grade AA grade A grade A
2. 5 Indeks Albumen
Indeks albumen merupakan parameter penentu kualitas telur secara internal, berfokus pada ketinggian
albumen (kekentalan). Terdapat tools seperti Haugh Unit Micrometer (HU) yang digunakan untuk membantu
perhitungan indeks albumen. Haugh Unit digunakan sebagai parameter mutu kesegaran telur yang dihitung
berdasarkan tinggi putih telur dan bobot telur (Syamsir, 1994).

Gambar 2. 4 Pengukuran ketinggian albumen menggunakan HU Micrometer

Semakin lama penyimpanan telur, nilai HU semakin kecil. Menurut U.S Department Agriculture (USDA)
terdapat beberapa kategori kualitas telur berdasarkan ketinggian HU, yaitu:
1. Kualitas AA memiliki tinggi HU putih telur > 72
2. Kualitas A memiliki tinggi HU putih telur 60-71
3. Kualitas B memiliki tinggi HU putih telur 31-59
4. Kualitas C memiliki tinggi HU putih telur <31
2. 6 Warna Yolk
Penentuan warna yolk dilakukan dengan menggunakan Yolk Color Fan. Warna yolk biasanya
menentukan telur yang diminati oleh konsumen dari segmen industri tata boga dengan kebutuhan telur yang
memeliki warna kuning tertentu. Kisaran warna kuning telur pada kipas warna (yolk color fan) adalah 1-15 dari
warna kuning pucat sampai kuning tua. Jenis ransum dapat mempengaruhi tingkat kekuningan pada kuning telur.
Berubahnya warna yolk disebabkan karena penurunan kandungan pigmen xantofil dalam ransum (Anggorodi,
1985). Nilai skor warna kuning telur yang lebih disukai konsumen ada pada kisaran 9 hingga 12 (Sudaryani, 1999).

Gambar 2. 5 Yolk Color Fan [9]

2. 7 Faktor Kualitas Telur
Menurut Sudaryani (2003), kualitas telur secara keseluruhan ditentukan oleh kualitas isi & kulit telur.
Oleh karena itu, penentuan kualitas telur dilakukan pada kedua bagian telur tersebut. Kualitas telur sebelumnya
keluar dari organ reproduksi ayam dipengaruhi faktor: kels, strain, family, dan individu; pakan, penyakit, umur,
dan suhu lingkungan. Kualitas telur sesudah keluar dari organ reproduksi dipengaruhi oleh penanganan telur &
penyimpanan (lama, suhu, dan bau penyimpanan).
2. 8 Citra Digital
Secara umum, pengolahan citra digital menunjuk pada pemrosesan gambar 2 dimensi menggunakan
komputer. Citra digital merupakan array yang berisi nilai-nilai real maupun kompleks yang direpresentasikan
dengan deretan bit tertentu.
2. 9 Segmentasi
Segmentasi merupakan proses membagi suatu citra ke dalam komponen-komponen region atau objek. Secara
umum, segmentasi dilakukan dengan membagi citra berdasarkan perubahan besar pada nilai intensitasnya, seperti
deteksi tepi, deteksi garis dan deteksi titik.
2. 10 Histogram of Oriented Gradients (HOG)
Dalam mendeteksi obyek dalam image processing digunakan metode Histogram of Oriented Gradients
(HOG). Berdasarkan paper [3], algoritma HOG dapat digunakan untuk deteksi objek yang secara khusus
menciptakan histogram orientasi tepi dari suatu gambar. HOG bekerja dengan menghitung nilai gradien dalam
daerah tertentu pada sebuah citra. Tiap image mempunyai karakteristik yang ditunjukkan oleh distribusi gradien.
Karakteristik ini diperoleh dengan membagi image kedalam daerah kecil yang disebut cell. Tiap cell disusun
sebuah histogram dari sebuah gradient. Kombinasi dari histogram ini dijadikan sebagai deskriptor yang mewakili
sebuah obyek. Perhitungan gradient dinyatakan dengan persamaan berikut :
Magnitude (besar gradient) : || = 2 + 2

Orientation (besar sudut) : = tan1

Keterangan :
= hasil dari konvolusi dari filter dengan gambar aslinya terhadap arah horizontal.
= hasil dari konvolusi dari filter dengan gambar aslinya terhadap arah vertikal.
2. 11 Ciri Statistik (Statistical Level Feature)
Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik
histogram citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde
pertama, antara lain adalah mean, variance, standard deviation, skewness, kurtosis dan entropy[10][11][12].
a. Mean ()
Menunjukkan ukuran mengenai distribusi dari suatu citra.
= ( )

dimana fn merupakan suatu nilai vektor gradien, sementara p(fn) menunjukkan nilai histogramnya
(probabilitas kemunculan intensitas tersebut pada citra).
b. Variance (2)
Menunjukkan variasi elemen pada histogram dari suatu citra atau luas sebaran distribusi.
2 = ( )2 ( )

c. Standard Deviation ()
Standar deviasi merupakan akar kuadrat dari varians, yang dirumuskan sebagai berikut :

= ( )2 ( )

2. 12 K-Nearest Neighbor
Prinsip kerja dari klasifikasi K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang
dievaluasi dengan data latih. Serupa dengan teknik clustering, mengelompokkan data baru berdasarkan jarak data
baru ke beberapa tetangga terdekat (tetangga). Aturan jarak yang digunakan adalah Euclidean, Cityblock, Cosine
dan Correlation [13].
3. Desain Sistem
Gambaran umum dari sistem yang dirancang pada penelitian kali ini direpresentasikan oleh diagram alir berikut
Ekstraksi
Mulai Akuisisi Preprocessing Klasifikasi Hasil Selesai
Ciri

Database

Gambar 3. 1 Flowchart Sistem

3. 1 Tahap Akusisi Citra
Tahap akuisisi citra bertujuan mendapat citra digital untuk tahap pelatihan dan tahap pengujian. Jumlah telur
yang digunakan sebanyak 75 sampel dengan 24 data citra latih dan 51 data citra uji.
3. 2 Pre-processing
Pada tahap preprocessing, citra telur yang didapatkan akan melalui beberapa proses yang ditunjukan pada
gambar 3.4 dibawah ini.

Mulai Akuisisi Cropping Thresholding Imfill

Labelling

Mengambil
Koordinat Objek

Citra hasil Transformasi citra Transformasi

Selesai Cropping
preprocessing RGB to grayscale citra BW to RGB

Gambar 3. 2 Tahap Preprocessing

Preprocessing diawali dengan crop. Setelah cropping, citra RGB akan di threshold untuk menyeleksi citra dan
mendapatkan objeknya. Kemudian dilakukan proses filling dalam rangka perbaikan citra. Tahapan terakhir
preprocessing adalah segmentasi.
3. 3 Ekstraksi Ciri
Proses ekstraksi ciri ini bertujuan untuk mengambil nilai-nilai unik dari suatu objek yang membedakan
dengan obyek yang lain. Pada tugas akhir ini digunakan metode Histogram of Oriented Gradients untuk
mengekstraksikan ciri dari citra yang digunakan. Diagram alir dari HOG dapat dilihat pada Gambar 4.
3. 4 Klasifikasi
Tahapan terakhir adalah tahap klasifikasi, digunakan metode klasifikasi K-NN. Input KNN adalah hasil dari
ekstraksi ciri. Kelas dari klasifikasi dibuat berdasarkan database ciri latih yang telah didapatkan sebelumnya.
Diagram alir dari proses klasifikasi direpresentasikan pada Gambar 4 (b).
Mulai Mulai
Mulai

Citra Hasil Akuisisi Akuisisi

Preprocessing

Menentukan Cell dan

Block Size Preprocessing Preprocessing

Menghitung Nilai
Gradient Ekstraksi Ciri Ekstraksi Ciri
HOG HOG

Menentukan Bin
Orientasi
Statistical Statistical
Level Feature Level Feature
Normalisasi Blok

Ciri Latih Ciri Uji

HOG Feature

Klasifikasi
Ekstraksi Ciri Database
KNN

Selesai Selesai Selesai

(a) (b)
Gambar 4. (a) Diagram HOG (b) Diagram alir proses latih (kiri) dan proses uji (kanan)
3. 5 Performansi Sistem
Untuk pengujian sistem digunakan parameter akurasi dan waktu komputasi. Akurasi adalah ukuran ketepatan
sistem dalam mengenali masukan yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis
dapat dituliskan sebagai berikut :
Jumlah_data_benar
Akurasi = 100%
Jumlah_data_keseluruhan
Waktu komputasi adalah waktu yang dibutuhkan sistem untuk melakukan suatu proses.
4. Hasil Pengujian Sistem
4. 1 Pengujian Pengaruh Cell Size
Skenario pengujian dilakukan dengan membandingkan beberapa cell size yang telah ditentukan. Percobaan ini
dilakukan pada KNN dengan k=1 dan distance euclidean, serta menggunakan ciri statistik.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN CELL SIZE TERHADAP AKURASI
100
72.549 74.5098 72.549 74.5098 52.9412
0
2x2 4x4 8x8 16x16 32x32

Gambar 4. 1 Grafik Hasil Pengujian Akurasi Cell Size

Hasil pengujian menunjukkan nilai akurasi yaitu 74.5%. Hal ini disebabkan karena ukuran sel lebih dari
16x16 piksel tidak mengkodekan banyak informasi bentuk, sementara ukuran sel lainnya mengkodekan banyak
informasi bentuk namun meningkatkan dimensi vektor ciri HOG.

PENGUJIAN CELL SIZE TERHADAP WAKTU

1.000
0.580 0.566 0.512 0.459 0.494
0.000
2x2 4x4 8x8 16x16 32x32

Gambar 4. 2 Grafik Hasil Pengujian Waktu Cell Size

Perolehan waktu komputasi rata-rata tercepat untuk 51 data uji adalah 0.45 detik. Semakin besar cell size, dimensi
vektor ciri HOG semakin kecil. Hal ini membantu mempercepat proses training (pelatihan).
4.2 Pengujian Pengaruh Block Size
Skenario selanjutnya akan membandingkan beberapa block size yang telah ditentukan. Percobaan ini dilakukan
pada KNN dengan k=1 dan menggunakan distance euclidean, serta menggunakan ciri statistik.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
 PENGUJIAN BLOCK SIZE TERHADAP AKURASI
74.5098 78.4314 56.8627
100
0
2x2 4x4 8x8

Gambar 4. 3 Grafik Hasil Pengujian Akurasi Block Size

Berdasarkan Gambar 4. 3, nilai akurasi tertinggi diperoleh ketika block berukuran 4x4 dengan akurasi sistem
78.4%. Nilai block size yang besar mengurangi kemampuan untuk menekan perubahan iluminasi citra. Mengurangi
block size dapat membantu menangkap signifikansi piksel-piksel.
PENGUJIAN BLOCK SIZE TERHADAP WAKTU
0.550 0.517 0.501
0.486
0.500
0.450
2x2 4x4 8x8

Gambar 4. 4 Grafik Hasil Pengujian Waktu Block Size

Pada Gambar 4. 4, meskipun perbedaan waktu komputasi antar ukuran blok yang dibandingkan tidak
signifikan, waktu komputasi tercepat diperoleh block size 2x2 dengan waktu komputasi rata-rata 0.48 detik untuk
51 data uji.
4.3 Pengujian Pengaruh Bin Numbers
Pengujian dilakukan untuk mengetahui pengaruh bin numbers terhadap akurasi dan waktu komputasi sistem.
Setelah dilakukan pengujian block size dan cell size, masing-masing didapatkan akurasi terbaik pada 4x4. Skenario
selanjutnya membandingkan parameter bin numbers. Percobaan ini dilakukan pada KNN dengan k=7 dan
menggunakan distance cityblock, serta menggunakan ciri statistik.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN BIN NUMBERS
82.3529 84.3137
85 76.4706
72.549
75
65
9 12 15 18

Gambar Error! No text of specified style in document..1 Grafik Hasil Pengujian Akurasi Bin Numbers
Berdasarkan Gambar 4.5, pengujian orientasi bin diperoleh akurasi terbaik 84.3% dikarenakan pembagian 15
channel pada sistem lebih mewakili (optimal) untuk vektor ciri orientasi HOG pada setiap kelasnya.
0.6 0.504015686 0.5404 0.5561 0.5683
0.4
9 12 15 18

Gambar Error! No text of specified style in document..2 Grafik Hasil Pengujian Waktu Bin Numbers
Berdasarkan Gambar 4.6, perolehan waktu tercepat didapat 0.504 detik. Pengaruh besar waktu respon dikarenakan
oleh semakin besar bin dapat meningkatkan ukuran vektor ciri sehingga membutuhkan lebih banyak waktu dalam
memproses [14].
4.4 Pengujian Pengaruh Statistical Level Feature
Pada skenario ini, akan dibandingkan ekstraksi ciri HOG dari citra yang telah di segmentasi menggunakan
ciri statistik. Parameter statistik yang digunakan diantaranya nilai mean, variance, skewness, standard deviation,
kurtosis dan entropy.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN STATISTIK TERHADAP AKURASI
100
50 68.6275 64.7059 64.7059 76.4706 74.5098 72.549 78.4314
0
Mean Variance Standard Skewness Kurtosis Entropy All
Deviation

Gambar 4. 7 Grafik Hasil Pengujian Akurasi Ciri Statistik

 Berdasarkan Gambar 4.7, pengujian statistik memperoleh akurasi terbaik 78.4% pada kombinasi statistik.
Hal ini dikarenakan ciri tersebut memiliki enam dimensi (berdimensi banyak), jadi antar kelas memiliki ciri lebih
spesifik dibanding menggunakan masing-masing statistik (satu dimensi) saja.
PENGUJIAN STATISTIK TERHADAP WAKTU
0.513003922 0.515021569
0.52 0.507241176
0.494364706 0.498680392
0.5 0.486476471 0.488101961
0.48
0.46
Mean Variance Standard Skewness Kurtosis Entropy All
Deviation

Gambar 4. 8 Grafik Hasil Pengujian Waktu Ciri Statistik

Berdasarkan Gambar 4.8, pada prakteknya ciri statistik tidak selalu linear dengan waktu komputasi dari
sistem. Hal itu dapat terlihat dari percobaan antara ciri statistik masing-masing dan kombinasinya.
4.5 Pengujian Pengaruh Jenis Jarak Euclidean
Pengujian ini membandingkan jumlah K pada klasifikasi KNN dengan jarak Euclidean. Pada skenario
terakhir dilakukan pengujian k (kelipatan ganjil) untuk mengetahui sistem dengan akurasi yang tepat.
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
PENGUJIAN EUCLIDEAN DISTANCE TERHADAP AKURASI
82
80
80.3922
78 78.4314 78.4314 78.4314
76
1 3 5 7

Gambar 4. 9 Grafik Hasil Pengujian Akurasi Distance Euclidean

Secara umum nilai k yang relatif tinggi akan mengurangi efek noise dalam pengklasifikasiannya. Setelah
dilakukan pengujian diperoleh akurasi maksimal pada k=7 dengan akurasi 80.39% dan waktu komputasi rata-rata
0.5 detik, artinya terdapat 7 vektor yang berdekatan sebagai pembanding yang sudah dapat mewakili vektor ciri
dari setiap kelas.
4.6 Pengujian Pengaruh Jenis Jarak KNN
Pada skenario terakhir akan dibandingkan bermacam jenis jarak pada KNN untuk mengetahui kombinasi
parameter yang memiliki akurasi terbaik. Pengujian ini menggabungkan skenario-skenario sebelumnya yaitu
menggunakan kombinasi parameter HOG dan ciri statistik, setelah itu membandingkan parameter KNN dengan
jarak Euclidean, Cityblock, Cosine dan Correlation dengan k=1, 3, 5 dan 7 (kelipatan ganjil).
Hasil pengujian dapat dilihat pada tabel dan grafik dibawah ini:
80.3922 80.3922 82.3529
84 78.4314 82.3529 80.3922 80.3922
76.4706 78.4314
82 80.3922 80.3922
80 74.5098 78.4314 78.4314 Euclidean
78.4314
78 76.4706 Cityblock
76
Cosine
74
Correlation
72
70
1 3 5 7

Gambar Error! No text of specified style in document.10 Grafik Hasil Pengujian terhadap (a) Akurasi
dan (b) Waktu Semua Distance
Akurasi maksimum dari keseluruhan perancangan sistem yang dibuat adalah 84.3137% dengan waktu
komputasi rata-rata 0.556 detik untuk 51 sampel data uji pada parameter cell dan block size 4x4, bin numbers 15
serta k=7 distance cityblock yang didapatkan dengan 7 vektor pembanding berdasarkan pengukuran kemiripan
secara geometrik.
1. Penutup
5. 1 Kesimpulan
Berdasarkan hasil pengujian yang telah dilakukan, dapat diambil kesimpulan sebagai berikut :
1. Dengan adanya sistem deteksi kualitas dan kesegaran telur menggunakan metode Histogram of Oriented
Gradients (HOG) dengan klasifikasi K-Nearest Neighbor (KNN) dapat membantu mengklasifikasi telur
ayam ras yang masih segar secara mudah dan fleksibel, dibandingkan melakukan secara konvensional
menggunakan Haugh Unit Micrometer.
2. Nilai akurasi sistem terbaik 84.31% dengan waktu komputasi rata-rata 0.556 detik untuk 51 sampel data
uji menggunakan metode Histogram of Oriented Gradients (HOG) yang dioptimalkan dengan Statistical
Level Feature dan klasifikasi K-Nearest Neighbor (KNN).
3. Parameter ciri HOG yang menentukan pada sistem adalah cell size, block size dan bin numbers. Pada
akurasi terbaik didapat dengan kombinasi cell size dan block size 4x4 dan bin numbers = 15 .
4. Jumlah cell, block dan bin numbers akan mempengaruhi dimensi ciri HOG yang dihitung pada saat
ekstraksi ciri, serta mempengaruhi lama waktu komputasi pada sistem. Besar waktu komputasi sistem
sejalan dengan besar dimensi ciri HOG.
5. Parameter KNN yang berpengaruh pada sistem adalah nilai K dan jenis distance. Pada akurasi terbaik
didapat menggunakan k = 7 dengan menggunakan Cityblock. Pada KNN berlaku semakin baik database,
semakin baik tingkat akurasi sistem, mengingat mekanisme ketetanggan terdekat dari KNN. Database
yang baik dapat dilakukan dengan penambahan data set atau pemilihan data set yang dapat mewakili
seluruh data uji.
5. 2 Saran
Berdasarkan hasil pengujian yang telah dilakukan, sistem deteksi kualitas dan kesegaran telur dapat
dikembangkan untuk riset selanjutnya, adapun saran penulis adalah sebagai berikut :
1. Memperbaiki teknik pengambilan data dengan memperhatikan intensitas cahaya agar citra yang
dihasilkan lebih mudah di interpretasikan oleh sistem.
2. Memperbanyak citra latih yang dapat mewakili setiap kelas, sehingga sistem mampu mengklasifikasi
citra latih secara optimal.
3. Menggunakan ekstraksi ciri dari pengembangan HOG seperti CHOG ataupun menggabungkan beberapa
metode selain HOG untuk mendapatkan ciri yang lebih baik dan akurat.
4. Menggunakan teknik klasifikasi lainnya seperti metode Jaringan Syaraf Tiruan, decision tree, atau
metode lainnya.
5. Mengembangkan sistem dengan platform lain seperti Android, iOS, Windows Phone dan lain-lain
sehingga dapat digunakan secara real time dan friendly using.
Daftar Pustaka
[1] G. Meirinda, Deteksi Kualitas dan Kesegaran Telur Ayam Negeri Berdasarkan Segmentasi Warna
Menggunakan Metode Fuzzy Color Histogram (FCH) dan Histogram Equalization (HE) dengan
Klasifikasi K-Nearest Neighbor (K-NN) pada Citra Digital, Telkom University, 2016.
[2] Badan Standarisasi Nasional, SNI 3926:2008 Telur Ayam Konsumsi, Standar Nas. Indones., pp. 18,
2008.
[3] N. Dalal and B. Triggs, Histograms of oriented gradients for human detection, Proc. - 2005 IEEE
Comput. Soc. Conf. Comput. Vis. Pattern Recognition, CVPR 2005, vol. I, pp. 886893, 2005.
[4] Tim Praktikum Produksi Ternak Unggas, Penuntun Praktikum Produksi Ternak Unggas. Bandung:
Universitas Padjadjaran, 2013.
[5] HEDEGAARD, Structure of the egg. [Online]. Available: http://en.eggs.dk/the-egg/structure-of-the-
egg.aspx. [Accessed: 19-Oct-2016].
[6] P. Figoni, BAKING Exploring the Fundamentals of Baking Science. United States of America: John
Wiley & Sons, Inc, 2008.
[7] T. Pescatore and J. Jacob, Kentucky 4-H Poultry: Grading Eggs.
[8] EggNutritionCenter.org, Guide to Egg Carton Labels, 2012.
[9] The DSM Yolk Color Fan. [Online]. Available:
https://www.dsm.com/markets/anh/en_US/products/products-solutions/products_solutions_tools.html.
[Accessed: 19-Oct-2016].
[10] W. J. Palm, Introduction to MATLAB 6 for Engineers. London: McGraw Hill Companies, 2002.
[11] D. N. Maharsi, Klasifikasi Serat Miring pada Kayu Menggunakan Ekstraksi Ciri Statistik Berdasarkan
pada Pengolahan Citra, Telkom University, 2015.
[12] A. Kadir and A. Susanto, Teori dan Aplikasi Pengolahan Citra. Andi, 2013.
[13] E. Prasetyo, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Andi, Yogyakarta, 2012.
[14] Mathworks, Extract histogram of oriented gradients (HOG) features. [Online]. Available:
https://www.mathworks.com/help/vision/ref/extracthogfeatures.html. [Accessed: 18-May-2017].