Identifikasi Kemurnian Daging Berbasis Analisis Citra

Daging sapi merupakan salah satu sumber protein hewani yang diperlukan oleh tubuh. Pada tahun 2015 dan 2016 konsumsi daging sapi per kapita sebesar 0,417 kg dan terjadi kenaikan pada tahun 2017 yaitu 12,50 % sebesar 0,469 kg. Sementara harga rata-rata daging sapi di tahun 2015 sebesar Rp 104 747 per kg dan mengalami kenaikan pada tahun 2016 yaitu 8,41 % sebesar Rp 113 555 per kg. Di tahun 2017 kembali terjadi kenaikan yaitu 2,09 % sebesar 115 932 per kg. Berdasarkan sensus penduduk tahun 2010 mendata jumlah penduduk muslim sebesar 207176162 yaitu 87 % dari total penduduk di Indonesia. Kekhawatiran daging halal sangat penting di negara mayoritas muslim. Metode secara konvensional dengan uji laboratorium untuk mendeteksi daging celeng membutuhkan waktu yang relatif lama, tempat khusus, serta biaya yang relatif mahal. Sementara daging yang diwaspadai dicampur dengan daging babi hutan bisa terjadi di berbagai tempat seperti pasar, retailer serta distributor yang sepatutnya bisa dideteksi seketika di tempat tersebut secara cepat. Oleh karena itu, diperlukan sistem yang mudah, cepat, dan mudah dibawa untuk mendeteksi daging sapi murni (tanpa campuran daging lainnya) dalam penelitian ini adalah daging celeng. Paper ini membahas metode deteksi daging campuran berbasis citra menggunakan Convolutional Neural Network (CNN) yang dapat dioperasikan di android. Keunggulan metode ini dapat melakukan proses pembelajaran secara mandiri yaitu ekstraksi citra dan klasifikasi, adapun kemampuan lain yang dimiliki yaitu dapat menangani deformasi gambar seperti translasi, rotasi dan skala. Akurasi yang didapatkan dari metode ini yaitu 94 % untuk mendeteksi daging sapi murni, daging celeng murni, dan daging campuran sapi dan celeng. Sementara presisi untuk celeng, campuran dan sapi yaitu 100 %, 90 % dan 95 %. Selain itu, recall untuk celeng, campuran dan sapi yaitu 85 %, 95 %, dan 97,5 %. Prototipe sistem deteksi yang dikembangkan telah diimplementasikan pada platform android dan diuji pada situasi pencahayaan yang masih terkondisikan. Upaya penyempurnaan ke depan adalah menambah fitur sistem pencahayaan khusus/standar dengan kamera khusus yang memiliki cahaya tambahan yang mengatasi keragaman tingkat pencahayaan di tempat terbuka. Abstract Beef is one of animal protein source that important for human body. In 2015 and 2016 beef consumption per capita was 0.417 kg and it was increasing in 2017 by 12.50 % (i.e., 0.469 kg). While The average price of beef at Rp 104 747 per kg in 2015 and went up by 8,41 % at Rp 113 555 per kg in 2016. In 2017, there was an increase by 2,09 % at Rp 115 932 per kg. The increase of beef price average occurred in 2015 amounting to Rp 104 747 per kg and an increase in 2016 that was 8.41% amounting to Rp 113 555 per kg. Based on the population census in 2010 recorded a Muslim population of 207176162 which is 87% of the total population in Indonesia. The concern of halal (lawful) meat is very critical in the muslim majority country. The conventional method with laboratory testing to detect wild boar meat requires a relatively long time, a special place, and a relatively expensive cost. While meat that is mixed with wild boar can happen in various places such as markets, retailers and distributors which can be detected immediately in that place quickly.Therefore, a system that can be easily, quickly and portably used for detecting pure beef (without other mixed meat) in this study is wild boar. This paper discusses image-based mixed meat detection methods using the Convolutional Neural Network (CNN) that can be operated on android. so the proposed computationally method is Convolutional Neural Network (CNN). The advantages of this method can do the learning process independently, object extraction and classification, while the other capabilities that can handle image deformation such as translation, rotation, and scale. This method yields an overall accuracy of 94% for detecting pure beef, pure wild boar meat, and mixed beef and wild boar. The obtained precision values for wild boar, mixed meat and beef are by 100 %, 90 % and 95 % respectively. Moreover, the values recall for wild boar, mixed meat and beef are by 85 %, 95 % and 97,5 % respectively. The prototype detection system developed has been implemented on the Android platform and tested in a lighting situation that is still conditioned. A future effort to improve is providing special / standard lighting with a special camera that has additional light that can overcome the diversity of levels of exposure in the open areas