KISWANTO, Kiswanto and Hadiyanto, Hadiyanto and Sediyono, Eko (2025) PENGEMBANGAN MODEL KLASIFIKASI CITRA BERBASIS TEKSTUR JENIS DAGING MENGGUNAKAN PENDEKATAN WAVELET DAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM). Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text Cover Judul.pdf Download (167kB)
	Text COVER LENGKAP.pdf Restricted to Repository staff only Download (1MB)
	Text BAB I.pdf Download (307kB)
	Text BAB II.pdf Download (1MB)
	Text BAB III.pdf Restricted to Repository staff only Download (694kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V.pdf Restricted to Repository staff only Download (225kB)
	Text DAFTAR PUSTAKA.pdf Download (231kB)

Abstract

Penelitian ini mengembangkan model klasifikasi citra daging berbasis tekstur menggunakan ekstraksi ciri wavelet Haar dan Gray Level Co-occurrence Matrix (GLCM). Tujuannya adalah membandingkan efektivitas kedua metode dalam merepresentasikan tekstur untuk mengklasifikasikan jenis dan kondisi daging. Eksperimen dengan algoritma k-Nearest Neighbors (k-NN) menunjukkan wavelet Haar lebih unggul dengan akurasi 80,40%, dibandingkan GLCM yang mencapai 75,33%. Keunggulan wavelet Haar terletak pada kemampuannya menangkap variasi tekstur lokal dan multiresolusi, sehingga lebih adaptif terhadap detail tekstur daging. Hasil ini merekomendasikan wavelet Haar sebagai metode utama dalam sistem klasifikasi citra daging otomatis untuk pengawasan mutu produk pangan.
Eksperimen ini membandingkan metode ekstraksi fitur tekstur wavelet Haar dan GLCM pada citra daging untuk klasifikasi jenis dan kondisi daging. Wavelet Haar unggul dengan akurasi 80,40% dibanding GLCM 75,33%, karena lebih efektif menangkap detail tekstur lokal. Wavelet Haar direkomendasikan sebagai metode utama untuk klasifikasi citra daging otomatis.
Penelitian ini membuktikan bahwa metode wavelet Haar dan GLCM efektif untuk klasifikasi kondisi daging (segar, beku, busuk), dengan wavelet Haar unggul mencapai akurasi 80,40% dibanding GLCM 75,33%. Wavelet Haar lebih adaptif dalam menangkap variasi tekstur lokal sehingga direkomendasikan untuk pengawasan mutu daging otomatis.
Kata kunci: Klasifikasi Daging, Wavelet (Haar, Daubechies, Coiflet, Symlet), Gray Level Co-occurrence Matrix (GLCM), Ekstraksi Fitur, k-Nearest Neighbor (k-NN) dan Pemrosesan Citra Digital

This study develops a texture-based meat image classification model using Haar wavelet feature extraction and Gray Level Co-occurrence Matrix (GLCM). The aim is to compare the effectiveness of these two methods in representing texture for classifying the type and condition of meat. Experiments using the k-Nearest Neighbors (k-NN) algorithm show that the Haar wavelet outperforms GLCM, achieving an accuracy of 80.40% compared to 75.33%. The advantage of the Haar wavelet lies in its ability to capture local and multiresolution texture variations, making it more adaptive to the fine texture details of meat. These results recommend the Haar wavelet as the primary method in automated meat image classification systems for food quality monitoring.
The experiment compares the Haar wavelet and GLCM texture feature extraction methods on meat images to classify meat type and condition. The Haar wavelet achieved superior accuracy of 80.40% versus 75.33% for GLCM, due to its more effective capture of local texture details. The Haar wavelet is recommended as the main method for automated meat image classification.
This study confirms that Haar wavelet and GLCM methods are effective for classifying meat conditions (fresh, frozen, rotten), with the Haar wavelet outperforming GLCM with an accuracy of 80.40% versus 75.33%. The Haar wavelet’s adaptability in capturing local texture variations supports its recommendation for automatic meat quality monitoring.
Keywords: Meat Classification, Wavelet (Haar, Daubechies, Coiflet, Symlet), Gray Level Co-occurrence Matrix (GLCM), Feature Extraction, k-nearest Neighbor (k-NN), and Digital Image Processing

Actions (login required)

View Item