IMPLEMENTASI METODE LOCAL BINARY PATTERN DAN GRAY LEVEL RUN LENGTH MATRIX UNTUK IDENTIFIKASI CITRA BAHAN KULIT HEWAN

Maulana Hafizd, Mayanda Mega Santoni, Anita Muliawati

Abstract


Bahan kulit hewan merupakan salah satu penemuan tertua dan paling bermanfaat bagi manusia. Bahan kulit hewan diolah menjadi produk yang berguna untuk memenuhi kebutuhan manusia seperti sepatu, dompet, tas, dan sebagainya. Motif dan kualitas dari bahan kulit hewan berbeda-beda sesuai dengan jenis hewan yang digunakan. Hal ini dapat menyebabkan keterbatasan kemampuan konsumen untuk mengetahui jenis hewan yang digunakan. Keterbatasan ini mempengaruhi konsumen dalam mengetahui nilai jual dan kualitas dari produk bahan kulit hewan tersebut. Perkembangan ilmu pengetahuan dalam bidang pengolahan citra digital memungkinkan manusia untuk mengatasi permasalahan tersebut. Perbedaan motif pada bahan kulit hewan dapat diidentifikasi dengan melakukan analisis tekstur. Oleh karena itu di dalam penelitian ini digunakan Local Binary Pattern (LBP) dan Gray Level Run Length Matrix (GLRLM) sebagai metode ekstraksi ciri tekstur dengan metode klasifikasi Neural Network (NN). Dalam penelitian ini digunakan citra bahan kulit hewan yang memiliki lima kategori, yaitu kulit sapi, babi, domba, kambing, dan kanguru. Tingkat akurasi yang didapatkan dari implementasi metode LBP dan GLRLM untuk identifikasi citra bahan kulit hewan sebesar 60%


Full Text:

PDF

References


I. G. R. Agung, “Ekstraksi Warna, Tekstur, Dan Bentuk Untuk Image Retrieval,” Semin. Nas. Teknol. Inf. dan Multimed. 2016, no. 2302–3805, pp. 4.3-1-4.3-6, 2016.

N. Purwaningsih, I. Soesanti, and H. A. Nugroho, “Ekstraksi Ciri Tekstur Citra Kulit Sapi Berbasis Co-Occurrence Matrix,” Semin. Nas. Teknol. Inf. dan Multimed., pp. 6–8, 2015.

S. Das and U. R. Jena, “Texture classification using combination of LBP and GLRLM features along with KNN and multiclass SVM classification,” 2nd Int. Conf. Commun. Control Intell. Syst. CCIS 2016, pp. 115–119, 2017, doi: 10.1109/CCIntelS.2016.7878212.

K. S. H. R. Singh, “A Comparison of Gray-Level Run Length Matrix and Gray-Level Co-Occurrence Matrix Towards Cereal Grain Classification,” Int. J. Comput. Eng. Technol., vol. 73590, no. 7, pp. 9–17, 2016, [Online]. Available: http://www.iaeme.com/IJCET/index.asp%0Ahttp://www.iaeme.com/ijcet/issues.asp%0Awww.jifactor.com%0Ahttp://www.iaeme.com/ijcet/issues.asp?JType=IJCET&VType=7&IType=6%0Ahttp://www.iaeme.com/IJCET/index.asp%5Cnhttp://www.iaeme.com/ijcet/issues.asp%5Cnwww.jifa.

M. Nadira, “Implementasi Deep Learning Dengan Metode Convolutional Neural Network Untuk Identifikasi Citra Bahan Kulit Hewan,” Universitas Pembangunan Nasional Veteran Jakarta, 2019.

R. Sharma and M. Lal, “Comparative analysis of texture classification using local binary pattern and its variants,” Int. J. Inf. Syst. Model. Des., vol. 8, no. 2, pp. 45–56, 2017, doi: 10.4018/IJISMD.2017040103.

D. Riana, D. H. Widyantoro, and T. L. Mengko, “Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images,” Proc. - 2015 4th Int. Conf. Instrumentation, Commun. Inf. Technol. Biomed. Eng. ICICI-BME 2015, pp. 65–69, 2016, doi: 10.1109/ICICI-BME.2015.7401336.

M. D. Wuryandari and I. Afrianto, “Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah,” Komputa, vol. 1, no. 1, pp. 45–51, 2012.

F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.


Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.