Prediksi Jumlah Hasil Produksi Madu Berdasarkan Ukuran Sarang Lebah Menggunakan Metode Image Processing

Authors

  • Orry Adrianus Mokola Institut Teknologi Alberth Foenay

DOI:

https://doi.org/10.55606/jurrih.v1i2.527

Keywords:

Indonesia, image processing, lebahmadu, apismellifera, volume trigonometri

Abstract

Lebah merupakan insekta penghasil madu yang telah lama dikenal manusia. Sejak zaman purba manusia berburu sarang lebah di goa-goa, di lubang-lubang pohon dan tempat-tempat lain untuk diambil madunya. Lebah juga menghasilkan produk yang yang sangat dibutuhkan untuk dunia kesehatan yaitu royal jelly, pollen, malam (lilin) dan sebagainya. Selanjutnya manusia mulai membudidayakan dengan memakai gelodog kayu dan yang yang sangat dibutuhkan untuk dunia kesehatan yaitu royal jelly, popada saat ini dengan sistem stup.

Sarang lebah adalah sel-sel yang terbentuk hexagonal yang terdiri dari prisma hexagonal dan limas hexagonal yang dibuat dari malam lebah dan campuran perekat (propolis) yang berasal dari tumbuh-tumbuhan. Sarang lebah digunakan untuk meletakkan madu, tepung sari dan larva. Jumlah produksi madu ditentukan oleh banyaknya sel yang berisi madu. Untuk mengatahui jumlah produksinya, harus dilakukan perhitungan volume pembetuk sel yang dikalikan dengan jumlah sel yang berisi madu.

Karena tidak semua sel berisi madu maka diperlukan deteksi sel mana saja yang berisi madu atau sel yang berisi selain madu. Banyak cara untuk mendeteksinya salah satunya menggunakan image processing.

Dari hasil pengolahan Image processing maka akan diketahui jumlah sel yang berisi madu. Setelah diketahui jumlah selnya, tinggal dikalikan volume setiap sel maka akan diketahui hasil produksi madu dalam satuan milli liter (ml) untuk setiap sarang lebah.

 

 

References

Ariffanan, M. (2008). Medical Image Classification And Detection Using Neuro Fuzzy. Univerisiti Teknologi Malaysia.

Budiwijono, T. (2012). Identifikasi Produktivitas Koloni Lebah Apis Mellifera Melalui Mortalitas Dan Luas Eraman Pupa Di Sarang Pada Daerah Dengan Ketinggian Berbeda. JURNAL GAMMA, 1-4.

Duda, R., Hart, P., & Stork, D. (2001). Pattern Classification 2nd. USA : John Wiley & Sons, Inc.

Kementrian Kehutanan. (2013). Statistik Kawasan Hutan. Kementrian Kehutanan.

Kononnenko, I. (2001). Machine Learning for medical diagnosis: history, state of the art and perspective. Artificial Intelligent in Medicine.

Land, J., W.H, Lo, J., & Valazquez. (2002). Using evolution programming to configure support vector machine for the diagnosis of breast cancer. In Dagli, C.H, et al (Eds) Intelligent Engineering Systemsthrough artificial neural network ANNIE’2002, Smart engineering System Design , ASME Press, New York.

Mike, S. (2010). Proceeding: Pengenalan Pola Berbasis Jaringan Syaraf Tiruan Dalam Analisas CT Scan Tumor Beligna. Universitas Islam Indonesia, Yogyakarta.

Mujetahid, A. (2007). Teknik Pemanenan Madu Lebah Hutan Oleh Masyarakat Sekitar Hutan Di Kecamatan Mallawa Kabupaten Maros. Jurnal Perennial, 36-40.

Nauck, D., & Kruse, R. (1999). Obtaining interpretable fuzzy classification rules from medical data. Artificial intelegence in medicine, 149-169.

Primack, R. B., & Corlett, R. T. (2011). Tropical Rain Forest. Wiley-Blackwell.

Rao, K. (2004). Apllication of mathematical morphology to biomedical image processing. University Westminster.

Setiono, R. (2000). Generating concise and accurate classification rules for breast cancer diagnosis. Artificial Intelligence in Medicine, 18:205-219.

Situmorang, R. O., & Hasanudin, A. (2014). Panduan Manual Budidaya Lebah Madu. Balai Penelitian Kehutanan Aek Nauli.

Widowati, R. (2013). Pollen Substitute Pengganti Serbuk Sari. E-Journal WIDYA Kesehatan Dan Lingkungan, 1-2.

Downloads

Published

2022-10-29

How to Cite

Orry Adrianus Mokola. (2022). Prediksi Jumlah Hasil Produksi Madu Berdasarkan Ukuran Sarang Lebah Menggunakan Metode Image Processing. JURNAL RISET RUMPUN ILMU HEWANI, 1(2), 31–41. https://doi.org/10.55606/jurrih.v1i2.527