Sistem pendeteksi Telur Fertil dan Infertil pada citra telur ayam kampung menggunakan Metode Fuzzy C-Means dan Naïve Bayes Classifier

ABSTRAK

Kerugian dalam menetaskan telur ayam kampung menjadikan pendapatan peternak menurun. Penyebab utama hal tersebut karena kurang efektif dan effisien dalam membedakan keadaan fertilitas dalam telur. Pendeteksian telur fertil dan infertil secara otomatis akan memberikan kemudahan saat penyeleksian dan pemindahan telur fertil maupun telur infertil. Hal ini akan membawa keuntungan lebih bagi peternakan seperti efisiensi waktu serta daya jual yang lebih. Telur infertil akan memberikan harga jual jika diketahui sedini mungkin agar tidak gagal tetas. Sebuah metode Fuzzy C Means dan Naive Bayes Classifier dirancang untuk mengidentifikasi keadaan fertilitas telur. Dengan meletakkan telur dekat sember cahaya serta latar belakang hitam dalam ruang gelap, selanjutnya mengambil citra dengan kamera kualitas tinggi. Dari citra yang dihasilkan kamera diekstraksi fitur atau ciri khas yang membedakan antara telur fertil dan infertil. Jumlah keseluruhan data yang digunakan dalam penelitian ini sebesar 350 citra telur bersumber dari survey lapangan. Data training yang digunakan sebanyak 250 data, 125 data citra telur fertil dan 125 data citra telur infertil. Sedangkan untuk data testing menggunakan 100 data, 60 data citra telur fertil dan 40 data citra telur infertil. Berdasarkan hasil uji coba training data didapat akurasi terbaik adalah sebesar 93.6% pada interval 5, 90.4% pada interval 5 dan ukuran dimensi 70x60, dan 100% pada resize 2x1. Hasil akurasi yang didapat sebesar 72%, 50% dan 90% pada uji coba testing data.

ABSTRACT

Losses in chicken eggs hatchery make breeders income declined. The main cause of these things because it is less effective and efficient in distinguishing the state of fertilities in the eggs. The detection of fertile and infertile eggs will automatically provide ease of selection and removal of the eggs are fertile and infertile eggs. This will bring more profits for breeder as well as time efficiency more and selling power. Infertile eggs will give breeders the sale price if it is known as early as possible in order not to fail hatching. A method fuzzy c means and naive bayes classifier is designed to identify the state of the fertility of eggs. By putting eggs near the source light and black background in a dark room, then taked of image with a high qualities camera. From the resulting camera image, then extracted features or take characteristics that distinguish between fertile and infertile eggs. The total amount of data used in this study of 350 eggs image sourced from the field survey. Training data is used 250 data, 125 fertile eggs image data and 125 infertile eggs image data. As for testing the data using the 100 data, the image data 60 fertile eggs and 40 infertile eggs image data. Based on trial results of training data is obtained the best accuracy is equal to 93.6% at intervals of 5, 90.4% at intervals of 5 and dimensions 70x60, and 100% on 2x1 resize. The accuracy of the results obtained by 72%, 50% and 90% in trials testing data.

مستلخص البحث

التخسير في الاحتضان بيضاء الدجاج جعل دخل للمربي الحيوان متدهورا. السباب الأساسي هو تنقيص فعّالية و سارية في التفريق الحال السمادية داخل البيضاء. اكتشاف بيضاء السماد و المجدب مطبوع على آليّ يسهّل في اختيار و انتقالهما. وبهذه الطريقة منافع كثيرة للمربيين كفعّالية الأوقات و متدرجا في البيع. جعل بيضاء السماد عزّا لو عرف المربي عاجلاً لأن لا يكون خائباً في التفريخ. بوجود الطريقة Fuzzy C Means و Naïve Bayes Classifier الذي قد مهبئاً للتعريف ما حال سماد البيضاء. بوضع البيضاء قريب من مصدر الضوء و كانت الخلفية و الغرفة داكنة. و يليها أخد الصورة بأحسن آلة التصوير. نتيجة من الصورة المأخوذة من آلة التصوير تلخص ما الفرق بين البيضاء السماد و المجدب. فالجملة من البيانات الذين قد استخدم في اهذا البحث كلها ۳٥٠ بيضاء من الصدر الاستعراض الميدان. والبيانات تجربية البحث مجموعا ۲٥۰ بيانات، ۱۲۵ بيانات من البيضاء السماد و ١٢٥ بيانات من بيضاء المجدب. وأما البيانات للامتحان يستخدم ١٠٠ بيانات، ۶٠ بيانات من بيضاء السماد و ۴٠ بيانات من بيضاء المجدب. بناء على نتائج محاكمة بيانات التدريب يتم الحصول على أفضل دقة تساوي ٪۹۳٫۶ على فترات من 5، ٪٩٠٫٤ على فترات من ٥ وأبعادها ٦٠x ٧۰ ، و٪۱۰۰ على تغيير حجم ١x٢. دقة النتائج التي تم الحصول عليها بنسبة ٪ ٧٢، ٪۵۰ و ٪ ٩٠ في البيانات تجارب الاختبار.