Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis
DOI:
https://doi.org/10.25126/jtiik.20241046787Abstrak
Indonesia adalah suatu negara kepulaun yang memiliki 2/3 wilayah lautan, secara sektor indonesia memiliki potensi pangan yang sangan besar dalam sektor perikanan. Ikan di dunia yang berhasil diuraikan sebanyak 27.000 terutama paling banyak dilaut indonesai. Ikan adalah salah satu keanekaragaman biologi yang menyusun ekosistem bahari. Ikan mempunyai bentuk serta ukuran eksklusif yang berbeda jenis yang satu dangan jenis yang lain. Pengenalan spesies ikan umumnya dilakukan secara manual dengan pengamatan mata. Tujuan penelitian ini untuk mengenali spesies ikan laut. 2-Dimensional Linear Discriminant Analysis (2D-LDA) dipergunakan untuk ekstraksi ciri dan K-Nearest Neighbor (K-NN) dipergunakan untuk klasifikasi jenis ikan laut. Fitur 2-Dimensional Linear Discriminant Analysis (2D-LDA) yang diekstraksi untuk menghasilkan dua matrik baru yaitu matrik score. Klasifikasi menggunakan metode K-Nearest Neighbor (K-NN) dengan membandingkan nilai k-n. Penelitian ini menggunakan 5 jenis ikan laut, dengan total data latih 800 gambar dan data uji 160 gambar. Hasil percobaan tebaik diperoleh k-9 dengan tingkat akurasi terbaik sebesar 93,12%, presisi 82,05%, recall 100%, dan F-1 score 90,14%.
Abstract
Indonesia is an archipelagic country which has 2/3 of the sea area, in terms of sector Indonesia has enormous food potential in the fisheries sector. There are 27,000 fish in the world that have been successfully described, especially in the Indonesian seas. Fish is one of the biological diversity that makes up the marine ecosystem. Fish have specific shapes and sizes that differ from one type to another. The identification of fish species is generally done manually by eye observation. The purpose of this research is to identify marine fish species. 2-Dimensional Linear Discriminant Analysis (2D-LDA) is used for feature extraction and K-Nearest Neighbor (K-NN) is used for classification of marine fish species. The 2-Dimensional Linear Discriminant Analysis (2D-LDA) features were extracted to produce two new matrices, namely the score matrix. The classification uses the K-Nearest Neighbor (K-NN) method by comparing the k-n values. This study used 5 types of marine fish, with a total of 800 images of training data and 160 images of test data. The best experimental results were obtained by k-9 with the best accuracy rate of 93.12%, precision of 82.05%, recall of 100%, and F-1 score of 90.14%.
Downloads
Referensi
ASTUTIK, F., 2015. Sistem Pengenalan Kualitas Ikan Gurame Dengan Wavelet, Pca, Histogram Hsv Dan Knn. Lontar Komputer, 4(3), pp.336–346. https://doi.org/10.24843/LKJITI.
BUDI PUTRANTO, B.Y., HAPSARI, W. & WIJANA, K., 2011. Segmentasi Warna Citra Dengan Deteksi Warna Hsv Untuk Mendeteksi Objek. Jurnal Informatika, 6(2). https://doi.org/10.21460/inf.2010.62.81.
FAUZI, S., EOSINA, P. & LAXMI, G.F., 2019. Implementasi Convolutional Neural Network Untuk Identifikasi Ikan Air Tawar. Seminar Nasional Teknologi Informasi, pp.163–167.
HIDAYAT, M.A., LAXMI, G.F., & EOSINA, P., 2018. Identifikasi Ikan Air Tawar Dengan Metode Fuzzy Local Binary Pattern. (2014), pp.91–98.
KADIR, A. & SUSANTO, A., 2013. Teori dan Aplikasi Pengolahan Citra BAB 3. Yogyakarta: Andi.
KUSUMANTO, R. & TOMPUNU, A.N., 2011. Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakn Pengolahan Warna Model Normalisasi RGB. Jupiter (Jurnal Penelitian Ilmu dan Teknologi Komputer), 17(C), pp.1–7. https://doi.org/10.1016/S0166-1116(08)71924-1.
LAXMI, G.F., SATRYA, F., KUSUMA, F. & DARMAWAN, S.Z., 2019. Identifikasi Ikan Air Tawar Menggunakan Teknik Edge Detection dan Probabilistic Neural Network. 7(2), pp.103–110.
LIANTONI, F., 2016. Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor. Jurnal ULTIMATICS, 7(2), pp.98–104. https://doi.org/10.31937/ti.v7i2.356.
PAMUNGKAS, D.P. & HARIRI, F.R., 2016. Pengenalan Citra Tanda Tangan Menggunakan Metode 2D-LDA dan Euclidean Distance. Creative Information Technology Journal, 3(4), p.269. https://doi.org/10.24076/citec.2016v3i4.83.
PAMUNGKAS, D.P., UTAMI, E. & AMBOROWATI, A., 2015. Komparasi Pengenalan Citra Tanda Tangan dengan Metode 2D-PCA dan 2D-LDA. Citec Journal, 2(4), pp.341–354.
PARIYANDANI, A., 2019. Klasifikasi Citra Ikan Berformalin Menggunakan Metode K-NN dan GLCM. Prosiding Seminar Nasional Teknologi Informatika, 2(1), pp.42–47.
PRASMATIO, R.M., RAHMAT, B. & YUNIAR, I., 2020. Deteksi Dan Pengenalan Ikan Menggunakan Algoritma Convolutional Neural Network. Jurnal Informatika dan Sistem Informasi (JIFoSI), [online] 1(2 SE-Articles), pp.510–521. Available at: <http://jifosi.upnjatim.ac.id/index.php/jifosi/article/view/144>.
PRATAMA, S.P., RAHMAT, B. & ANGGRAENY, F.T., 2020. Deteksi Ikan Dengan Menggunakan Algoritma Adaboost-SVM. Jurnal Informatika dan Sistem Informasi (JIFoSI), [online] 1(2), pp.458–466. Available at: <http://jifosi.upnjatim.ac.id/index.php/jifosi/article/view/92/64>.
RAMDHANI, 2018. Klasifikasi Ikan Menggunakan ORB-PCA dan KNN.
SAGITA, I., SUHERY, C., 2016. Lama Kematian Ikan Berdasarkan Citra Rgb Insang Ikan Menggunakan Metode Linear Discriminant Analysis Dan Euclidean. Jurnal.Untan.Ac.Id, [online] 04(2), pp.151–160. Available at: <http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/15775>.
SHUDA, L.. & R BHAVANI, D., 2015. Gait based Gender Identification using Statistical Pattern Classifiers. International Journal of Computer Applications, 40(8), pp.30–35. https://doi.org/10.5120/4985-7248.
SUKARMAN, L.D., LAXMI, G.F. & FATIMAH, F., 2018. Identifikasi Ikan Air Tawar Dengan Metode Color Moment Feature. Semnati, pp.375–383.
WAHYUNI, T.T. & ZAKARIA, A., 2018. Keanekaragaman Ikan di Sungai Luk Ulo Kabupaten Kebumen. Biosfera, 35(1), p.23.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
