Estimasi Bobot Karkas Domba Berdasarkan Metode Deformable Template Dan Klasifikasi Support Vector Machine

Abstract

Abstrak Domba merupakan salah satu hewan ternak yang banyak dimanfaatkan oleh manusia. Bagian tubuh domba yang sering dimanfaatkan oleh manusia untuk bahan pangan adalah pada bagian daging atau biasa disebut karkas. Karkas domba sendiri merupakan berat daging yang dimanfaatkan diluar dari berat organ, kaki, ekor, dan kepala. Pada zaman ini pengukuran berat dari karkas domba masih dilakukan dengan cara konvensional seperti penimbangan secara langsung dengan timbangan dan melalui tafsiran si pembeli atau si penjual domba tersebut. Pada kedua cara diatas masih terdapat kendala yang dapat dialami oleh pembeli domba yang masih awam yang mengakibatkan kerugian. Berkembangnya teknologi informasi dan komunikasi memberi terobosan baru dalam membantu proses penimbangan domba dengan menggunakan pengolahan citra digital. Dalam tugas akhir ini dibuat suatu sistem yang dapat mengestimasi bobot karkas domba dengan pengolahan citra digital. Secara umum cara kerja dari pengolahan citra digital adalah dengan untuk memisahkan citra ternak domba dari latar belakang dan menghilangkan objek yang bersifat pengganggu disekitar domba, selanjutnya dilakukan tahap identifikasi untuk mendapatkan ukuran pajang badan serta lingkar dada ternak domba, dan pada tahap terakhir melakukan proses komputasi untuk menghitung bobot karkas ternak domba. Pada aplikasi ini menerapkan rumus Ardjodarmoko untuk perhitungan berat karkas domba. Metode segmentasi citra yang digunakan adalah metode Deformable Template. Hasil dari segmentasi citra akan melalui proses ekstrasi ciri yang kemudian diklasifikasikan menggunakan Multiclass Support Vector Machine (SVM) menjadi tiga kelas. Domba yang dijadikan sample berjumlah 24 ekor. Penelitian ini menggunakan 3 kelas dalam mengklasifikasi berat karkas domba yaitu kelas kecil, sedang dan besar. Rata-rata selisih antara berat karkas domba hasil pengolahan citra dengan berat karkas domba sesungguhnya yaitu 1.72 kg . Hasil akurasi kelas pada penelitian ini sebesar 88.89%. Kata Kunci : Karkas Domba, Deformable Template, SVM Multiclass Abstract Sheep is one of the many farm animals used by humans. Parts of the body of the sheep is often used by humans for food is on the meat or so-called carcass. The sheep’s carcass itself is weight of meat used outside the weight of organs, legs, tail and head. At this time the weight measurement of sheep’s carcass is still done in a conventional way such as weighing scales directly with the scales and through the interpretation of the buyer or the seller of the sheep. In both ways above there are still obstacles that can be happened to the buyer of sheep who still lay that cause losses. The development of information and communication technology gave a new breakthrough in helping the process of weighing the sheep by using digital image processing. In this final project is made a system that can estimate sheep carcass weight by digital image processing. In general, the workings of digital image processing is to separate the image of sheep from the background and eliminate objects that are disturbing around the sheep, then the identification stage is done to get the size of the body and the chest circumference of sheep, and at the last stage do the computation calculate the carcass weight of sheep. In this application apply the Ardjodarmoko formula for calculating the weight of sheep carcasses. Image segmentation method used is Deformable Template method. The results of image segmentation will go through a feature extraction process which is then classified using the Multiclass Support Vector Machine (SVM) into three classes. The number of sheep in the sample is 24. This study uses 3 classes in classifying the weight of sheep carcasses, namely small, medium and large classes. The average difference between sheep carcass weight from image processing with actual sheep carcass weight is 1.72 kg. Class accuracy results in this study amounted to 88.89%. Keywords: Sheep’s Carcass, Deformable Templates, SVM multiclass