Klasifikasi kualitas daging berbasis mobile menggunakan metode gLCM dan SVM

ABSTRAK:
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas daging sapi berbasis mobile yang mampu mengidentifikasi tingkat kualitas daging secara otomatis berdasarkan pola marbling pada citra daging. Metode yang digunakan dalam penelitian ini adalah Gray Level Co-occurrence Matrix (GLCM) sebagai teknik ekstraksi fitur tekstur dan Support Vector Machine (SVM) sebagai algoritma klasifikasi. Sistem dikembangkan menggunakan framework Flutter sebagai antarmuka pengguna dan Flask berbasis Python sebagai server pemrosesan data. Pengujian dilakukan menggunakan dataset citra daging sapi dengan variasi ukuran citra 100×100, 200×200, 224×224, dan 300×300 piksel serta tiga proporsi pembagian data latih dan data uji, yaitu 70:30, 80:20, dan 90:10, sehingga menghasilkan 12 skenario pengujian. Hasil pengujian menunjukkan bahwa ukuran citra dan proporsi data latih–uji berpengaruh terhadap tingkat akurasi sistem. Akurasi terendah diperoleh pada kombinasi ukuran citra 300×300 piksel dengan pembagian data 70:30 sebesar 64%, sedangkan akurasi tertinggi diperoleh pada kombinasi ukuran citra 100×100 piksel dengan pembagian data 90:10 sebesar 93%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode GLCM dan SVM efektif digunakan dalam sistem klasifikasi kualitas daging berbasis mobile, mampu memberikan hasil klasifikasi yang objektif, konsisten, dan efisien, serta berpotensi mendukung penilaian kualitas daging sesuai dengan prinsip halalan thayyiban.

ABSTRACT:

The research aims to develop a mobile-based beef quality classification system that can automatically identify quality levels based on marbling patterns in beef images. It employed the Gray Level Co-occurrence Matrix (GLCM) method for texture feature extraction and Support Vector Machine (SVM) as the classification algorithm. The researcher developed the system using the Flutter framework for the user interface and a Python-based Flask server for data processing. He conducted testing using beef image datasets with image size variations of 100×100, 200×200, 224×224, and 300×300 pixels, as well as three training- testing data split ratios of 70:30, 80:20, and 90:10, resulting in 12 testing scenarios. The testing results show that image size and the proportion of training and testing data significantly influence the system accuracy level. The lowest accuracy is achieved with a 300×300 pixel image size and a 70:30 data split, yielding 64%. Meanwhile, the highest accuracy reaches 93% with the 100×100 pixel image size and a 90:10 data split. Based on these results, the research concludes that the GLCM and SVM methods effectively support a mobile- based meat quality classification system, can provide objective, consistent, and efficient classification results, and have strong potential to support meat quality assessment in accordance with the principles of halalan thayyiban

مستخلص البحث:
هدف هذا البحث إىل تطوير نظام تصنيف جودة حلم البقر يعتمد على اهلواتف احملمولة ويستطيع حتديد مستوى جودة اللحم تلقائيًا بناء ً على منط التعريق (marbling) يف صورة اللحم. الطريقة املستخدمة يف هذا البحث هي مصفوفة التالزم ملستوى الرمادي (GLCM) كتقنية الستخراج ميزات النسيج، وآلة املتجه الداعم(SVM) كخوارزمية للتصنيف. مت تطوير النظام ابستخدام إطار عملFlutterكواجهة للمستخدم وFlaskاملستندة إىلPythonكسريفر ملعاجلة البياانت. مت إجراء االختبارات ابستخدام جمموعة بياانت صور حلم البقر أبحجام صور متنوعة100×100،200×200،224×224،و300×300بكسل، ابإلضافة إىل ثالث نسب لتقسيم بياانت التدريب واالختبار، وهي70:30،80:20،و90:10، مما أدى إىل12سيناريو لالختبار. أظهرت نتائج االختبارات أن حجم الصورة ونسبة بياانت التدريب واالختبار تؤثر على مستوى دقة النظام. مت احلصول على أدىن دقة عند اجلمع بني حجم الصورة300×300بكسل وتقسيم البياانت بنسبة70:30مبقدار64،%يف حني مت احلصول على أعلى دقة عند اجلمع بني حجم الصورة100×100بكسل وتقسيم البياانت بنسبة 90:10مبقدار93.%استنادًا إىل هذه النتائج، ميكن االستنتاج أن طريقةGLCMوSVMفعالة لالستخدام يف نظام تصنيف جودة اللحوم القائم على اهلواتف احملمولة، وقادرة على تقدمي نتائج تصنيف موضوعية ومتسقة وفعالة، ولديها القدرة على دعم تقييم جودة اللحوم وفقًا ملبادئ احلالل الطيب