Optimasi Fuzzy Learning Vector Quantization Menggunakan Coronavirus Optimization pada Klasifikasi Citra Daging Babi dan Daging Sapi
Abstract
Daging merupakan salah satu bahan pangan penting yang sangat diminati karena terdapat sumber protein hewani yang baik. Daging juga memiliki semua jenis asam amino dasar yang cukup lengkap. Masyarakat Indonesia lebih memilih daging sapi sebagai sumber protein hewani mereka karena mudah ditemukan di pasar tradisional maupun pasar modern. Kebutuhan daging sapi diindonesia terus meningkat setiap tahunnya sesuai dengan pertumbuhan jumlah penduduk. Peningkatan jumlah permintaan daging sapi tersebut membuat beberapa pedagang nakal berbuat curang untuk mendapatkan keuntungan yang besar. Pedagang nakal tersebut mencampurkan daging sapi dan daging babi menjadi daging oplosan. Kondisi pencampuran daging sapi dan daging babi ini sangat merugikan konsumen daging sapi terutama konsumen di pasar tradisional karena sulitnya membedakan daging tersebut. Konsumen di pasar juga tidak menyadari proses pencampuran daging sapi dan daging babi. Daging sapi yang dicampur dengan daging babi sebenarnya dapat dibedakan secara satu persatu, namun hal tersebut hanya bisa dilakukan oleh para ahli saja.
Penelitian ini mengusulkan strategi baru klasifikasi citra daging babi, daging sapi, daging oplosan menggunakan algoritme fuzzy learning vector quantization (FLVQ) yang dilakukan proses optimasi menggunakan coronavirus optimization algorithm (CVOA) berdasarkan fitur warna dan fitur tekstur daging. Strategi usulan tersebut akan dibandingkan dengan algoritme learning vector quantization (LVQ) dan fuzzy learning vector quantization (FLVQ) untuk melihat pengaruh optimasi CVOA pada algoritme FLVQ terhadap tingkat keberhasilan dalam mengklasifikasikan citra daging babi, daging sapi, dan daging oplosan. Pendekatan hue saturation value (HSV) digunakan untuk fitur warna dan gray level co-occurrence matriks (GLCM) digunakan untuk fitur tekstur. Penelitian ini menggunakan data primer dan sekunder.
Data primer diambil pada hari minggu tanggal 31 Oktober 2021 di dua tempat untuk 2 jenis daging yang berbeda. Daging babi diambil secara langsung ke pasar Wisata Pasar Bawah Pekanbaru yang beralamat di Jalan Saleh Abas, Kelurahan Kampung Dalam, Kecamatan Senapelan, Kota Pekanbaru Riau. Daging babi dibeli dengan berat 1000 gram. Daging sapi diambil secara langsung ke pasar Cipuan Jalan Jadirejo Kecamatan Sukajadi Kota Pekanbaru Riau. Daging sapi dibeli dengan berat yang sama dengan daging babi. Data primer berjumlah 720 citra, 600 citra sebagai data latih yang terdiri dari 200 citra daging sapi, 200 citra daging babi dan 200 citra daging oplosan. 120 citra sebagai data validasi yang terdiri dari 40 citra daging sapi, 40 citra daging babi, dan 40 citra daging oplosan. Penelitian ini menggunakan data sekunder yang diambil dari penelitian sebelumnya sebagai data uji. Data sekunder pada penelitian ini berjumlah 120 citra yang terdiri dari 60 citra daging sapi, 50 citra daging babi, dan 10 citra daging oplosan.
Berdasarkan hasil pengujian yang dilakukan, pada multiclass algoritme LVQ mendapatkan persentase akurasi 50,83%, algoritme FLVQ mendapatkan persentase akurasi 51,67%, dan algoritme FLVQ-CVOA mendapatkan hasil akurasi 85,83%. Proses pengujian yang dilakukan pada binary class algoritme LVQ mendapatkan hasil akurasi tertinggi 71,25%. Algoritme FLVQ mendapatkan hasil akurasi tertinggi 94,28%. Algoritme FLVQ-CVOA mendapatkan persentase hasil akurasi tertinggi 96,36%. Sehingga dapat disimpulkan bahwa strategi usulan menghasilkan persentase akurasi yang lebih baik pada pengujian multiclass dan binary class. Parameter koefisien fuzzyness dan learning rate yang digunakan pada proses klasifikasi LVQ, FLVQ, dan FLVQ-CVOA sangat mempengaruhi tingkat akurasi. Meat is an important food ingredient that is in great demand because it is a good source of animal protein. Meat also has all kinds of basic amino acids, which are quite complete. Indonesian people prefer beef as their source of animal protein because it is easy to find in traditional and modern markets. The demand for beef in Indonesia continues to increase every year in accordance with population growth. The increase in demand for beef has made some rogue traders cheat to get big profits. The naughty merchant mixed beef and pork into the mixed meat. The condition of mixed beef and pork is very detrimental to beef consumers, especially those in traditional markets, because it is difficult to distinguish the meat. Consumers in the market are also not aware of the process of mixing beef and pork. Beef mixed with pork can actually be distinguished one by one, but this can only be done by experts.
This study proposes a new strategy for image classification of pork, beef, and mixed meat using the fuzzy learning vector quantization (FLVQ) algorithm, which is optimized using the coronavirus optimization algorithm (CVOA) based on the color and texture features of the meat. The proposed strategy will be compared with learning vector quantization (LVQ) and fuzzy learning vector quantization (FLVQ) algorithms to see the effect of CVOA optimization on the FLVQ algorithm on the success rate in classifying images of pork, beef, and mixed meat. A hue saturation value (HSV) approach was used for color features, and a gray level co-occurrence matrix (GLCM) was used for texture features. This study uses primary and secondary data.
Primary data was taken on Sunday, October 31, 2021 in two places for two different types of meat. The pork is taken directly to the Pasar Bawah Pekanbaru tourism market, which is located at Jalan Saleh Abas, Kampung Dalam Village, Senapelan District, Pekanbaru City, Riau. A pig is purchased weighing 1000 grams. The beef is taken directly to the Cipuan market, Jalan Jadirejo, Sukajadi District, Pekanbaru City, Riau. Beef is purchased at the same weight as pork. The primary data set is 720 images, with 600 images as training data, consisting of 200 images of beef, 200 images of pork, and 200 images of mixed meat. There are 120 images as validation data, consisting of 40 images of beef, 40 images of pork, and 40 images of mixed meat. This study uses secondary data taken from previous studies as test data. The secondary data in this study amounted to 120 images, consisting of 60 images of beef, 50 images of pork, and 10 images of mixed meat.
Based on the results of the tests carried out, the LVQ algorithm multiclass gets an accuracy percentage of 50.83%, the FLVQ algorithm gets an accuracy percentage of 51.67%, and the FLVQ-CVOA algorithm gets an accuracy result of 85.83%. The testing process carried out on the LVQ binary class algorithm obtained the highest accuracy of 71.25%. The FLVQ algorithm gets the highest accuracy of 94.28%. The FLVQ-CVOA algorithm gets the highest percentage of accuracy at 96.36%, so it can be concluded that the proposed strategy produces a better percentage of accuracy in multiclass and binary class testing. The fuzzyness coefficient and learning rate parameters used in the LVQ, FLVQ, and FLVQ-CVOA classification processes greatly affect the level of accuracy.