Deteksi Kualitas Keju Menggunakan Metode Gabor Wavelet Dengan Klasifikasi K-nearest Neighbor (k-nn) Pada Citra Digital

Abstrak

Keju adalah bahan makanan yang terbuat dari olahan susu dengan memisahkan zat –zat padat dalam susu melalui proses pengentalan atau koagulasi. Keju merupakan salah satu bahan makanan yang digemari oleh masyarakat selain cita rasanya yang lezat, keju juga mempunyai kandungan protein yang tinggi dan dapat disajikan dengan hampir seluruh makanan, yang paling umum digunakan adalah untuk membuat pizza. Tetapi, keju yang dihasilkan dari setiap produsen memiliki perbedaan kualitas. Kualitas ini salah satunya dapat dilihat dari warna.Keju yang berkualitas baik berwarna kuning tanpa ada corak atau noda kehitaman, jika terdapat corak atau noda kehitaman pada keju, dapat diindikasikan itu adalah jamur. Kualitas keju yang baik juga kita bisa lihat dari teksturnya, kita dapat melihat dengan kasat mata atau dengan meraba permukaan keju. Banyaknya masyarakat Indonesia yang tidak mengetahui bahwa setelah keju cheddar dibuka, maka ada batas hari layak makan. Secara kasat mata kualitas keju cheddar layak makan ini tidak bisa dilihat. Hal inilah yang menjadi latar belakang di pilihnya judul tugas akhir ini. Pada sistem pengolahan citra digital, setiap citra bisa dianalisis dan diklasifikasikan berdasarkan fitur yang diperoleh dari citra objek. Untuk memahami kualitas keju bisa dilakukan melalui citra keju yang sudah diamati selama 15 hari. Dalam Tugas Akhir ini penulis membahas bagaimana cara mendeteksi kualitas keju dari warna dan tekstur. Terdapat beberapa metode yang dapat digunakan untuk mendeteksi kualitas keju.Pada Tugas Akhir ini penulis menggunakan metode Gabor Wavelet dengan klasifikasi K-Nearest Neighbor (K-NN). yang diawali dengan proses prepocessing. Untuk pengujian ini dilakukan pengujian dengan 48 citra keju, dengan komposisi masing-masing kelas memiliki 16 citra keju sangat layak makan, 16 citra keju layak makan, dan 16 citra keju tidak layak makan. Sehingga didapatkan akurasi terbaik sebesar 91,67% dan waktu komputasi 69,6s dengan menggunakan metode Gabor Wavelet dimana digunakan ekstraksi ciri berdasarkan tekstur dan warna dengan parameter: parameter orde satu (standar deviasi dan kurtosis), d1=32, d2=32, k = 5, distance euclidean. Kata kunci: Gabor Wavelet, K-Nearest Neighbor (K-NN)