DETEKSI KUALITAS IKAN CAKALANG MENGGUNAKAN
METODE GLCM DAN ALGORITMA KNN
Sudirman S. Pana1, Kartika Chandra Pelangi2, Hamdan Pakaya3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universtitas Ichsan
Gorontalo, Indonesia
Abstrak
Deteksi kualitas dalam penelitian ini dibagi
menjadi dua kelompok yaitu Segar, Busuk.
Penelitian ini bertujuan untuk
mengklasifikasi kesegaran berdasarkan
tingkat akurasi dengan menggunakan
metode fitur ekstraksi yaitu gray level co-
occurrence matrix. Metode penelitian ini
terdiri dari : konversi data rgb ke grayscale,
normalisasi citra, deteksi kualitas ikan
cakalang menggunakan tekstur warna,
ekstraksi fitur dan klasifikasi. Dalam
penelitian ini digunakan data latih
sebanyak 90 citra ikan cakalang yang
merupakan data real. Data tersebut terdiri
dari kualitas ikan cakalang di atas dan
masing-masing terdiri dari yang Segar 45,
dan Busuk 45. Data citra tersebut diolah
menjadi citra grayscale yang kemudian
dilakukan deteksi kualitas ikan cakalang
menggunakan tekstur warna. Setelah
didapat kualitas ikan cakalang kemudian
dilakukan perhitungan ciri menggunakan
gray level co-occurrence matrix. Algoritma
yang digunakan untuk proses klasifikasi
adalah algoritma k-nearest neighbor. Hasil
akhir pengujian menunjukkan bahwa
metode yang diusulkan telah mampu
mendeteksi kualitas ikan cakalang
menggunakan tekstur warna dengan hasil
akurasi yang dihitung menggunakan
confusion matrix, maka dapat ditarik suatu
kesimpulan bahwa Pada percobaan model
K-NN, dengan jumlah K =
1, dan Arah GLCM = 0o, dengan jarak = 1,
maka mendapatkan nilai akurasi tertinggi
Sebesar = 70%. Sedangkan pada percobaan
model K-NN, dengan jumlah K = 2, dan
Arah GLCM = 135o, dengan jarak = 2,
maka mendapatkan nilai akurasi tertinggi
sebesar
= 60%. Pada percobaan model K-NN,
dengan jumlah K = 3, dan Arah GLCM =
135o, dengan jarak = 1, Maka Mendapatkan
Nilai Akurasi Sebesar = 60%. Pada
percobaan model K-NN, dengan jumlah K
= 4, dan Arah GLCM = 90o, dengan jarak =
4, Maka Mendapatkan Nilai Akurasi
Sebesar = 80%. Pada percobaan dengan
jumlah K = 4, dan Arah GLCM = 45o,
dengan jarak = 4, maka mendapatkan nilai
akurasi tertinggi Sebesar = 50%.
Sedangkan pada percobaan dengan jumlah
K = 3, dan Arah GLCM = 45o, dengan
jarak = 3, maka mendapatkan nilai akurasi
tertinggi sebesar = 70%. Dan dengan
jumlah K = 1, dan Arah GLCM = 45o,
dengan jarak = 1, Maka Mendapatkan Nilai
Akurasi Sebesar = 50%. Pada percobaan
model K-NN, dengan jumlah K = 2, dan
Arah GLCM = 90o, dengan jarak = 2, Maka
Mendapatkan Nilai Akurasi Sebesar =
40%. Dengan demikian penerapan metode
gray level co-occurrence matrix dan k-
nearest neighbor pada masalah deteksi
kualitas ikan cakalang menggunakan
tekstur warna perlu dikembangkan lagi
hasil akurat.
Kata Kunci : Deteksi Kualitas, Gray
Level Co-Occurrence Matrix, K-Nearest
Neighbor
I. PENDAHULUAN
dengan bantuan komputer menjadikan

Dunia perikanan di lautan Indonesia penemuan ini lebih bermanfaat dan

tepatnya di Gorontalo merupakan salah banyak digunakan. Sehingga

satu wilayah yang banyak memudahkan para peneliti untuk

menggunakan kecanggihan teknologi, mendapatkan nilai pada fitur ekstraksi

walaupun sebagian masih ada yang dan mendapatkan tingkat akurasi yang

menggunakan penilaian secara lebih tinggi [7]. Berdasarkan penelitian

manusiawi dalam bentuk menentukan di atas [8] membuktikan bahwa dari

mutu kesegaran ikan cakalang. Secara hasil penelitian mereka metode GLCM

umum ikan diperjual belikan dalam adalah metode yang paling efektif

keadaan yang sudah mati atau juga digunakan dan fitur ekstraksi yang

dalam keadaan masih hidup [1]. Ikan paling baik dari fitur ekstraksi lain.

cakalang adalah jenis ikan laut yang Dari para peneliti sebelumnya pernah

sering dikonsumsi oleh masyarakat menggunakan metode K-Nearst

lokal. Ikan cakalang memiliki Neighbor dalam mengklasifikasi suatu

kandungan protein tinggi sehingga ikan data atau objek adalah suatu teknik

cakalang tergolong sumberdaya yang sangat efektif dan efisien. Teknik

perikanan yang paling banyak di minati K- Nearst Neighbor ini sangat

oleh masyarakat indonesia karena ikan sederhana dan mudah

ini mengandung gizi dan protein yang diimplementasikan dan bisa

sangat baik bagi tubuh manusia [2]. menghasilkan tingkat akurasi yang
lebih tepat, serta bisa melakukan
II. PENELITIAN TERKAIT training data dalam jumlah yang lebih
besar [9].
Metode GLCM (Gray-Level
Coooccurrance Matrix), yang Beberapa penelitian yang relevan telah

digunakan untuk menganalisa Citra dilakukan oleh para peneliti lain yang

digital. Teknik ini sangat kental dengan berhubungan dengan judul penelitian

matematika, seiring dengan pesatnya Identifikasi Tumbuhan Obat Herbal

komputasi Berdasarkan Citra Daun Menggunakan

metode glcm dan k-nn. (1) yang
berjudul Identifikasi Tumbuhan Obat
Herbal
 Berdasarkan Citra Daun Menggunakan
a. Pengumpulan Data
Algoritma Gray Level Co-occurance
Data yang dikumpulkan dari penelitian
Matrix dan K-Nearest Neighbor
adalah data hasil observasi yang sudah
berdasarkan jarak terdekat antara citra
peneliti lakukan dan juga dari Menurut
uji dan citra latih, Algoritma tersebut
Balai Pengujian, Penerapan Mutu
dapat digunakan untuk
(UPTD-BPPMDPP) dan Dinas
mengidentifikasi tumbuhan obat herbal
Kelautan dan Perikanan Provinsi
berdasarkan citra daun dengan akurasi
Gorontalo kualitas pada ikan cakalang
rata-rata sebesar 83,33% [10]. (2) yang
yang sering ditemukan adalah
berjudul Sistem pengenalan kualitas
penurunan kualitas ikan sejak diangkat
Ikan Gurame dengan Wavelet, PCA,
dari air sampai ke tangan konsumen,
Histogram HSV dan Klasifikasi KNN,
serta mudahnya terjadi pembusukan
mendapatkan tingkat akurasi secara
terhadap ikan di karenakan adanya
keseluruhan sebesar 89,5% [11]. (3)
bakteri atau enzim di dalamnya yang
yang berjudul Penerapan Metode K-
menyebabkan ikan tersebut cepat
Nearst Neighbor dalam Identifikasi
membusuk. Citra yang dikumpulkan
Kesegaran Ikan Mujair menggunakan
dibagi menjadi dua dataset yaitu: data
Metode GLCM dan KNN mendapatkan
latih dan data uji. Data latih yang
tingkat akurasi sebesar 90% [12].
digunakan sebagai pembanding
III. TAHAPAN PENELITIAN terhadap data uji pada proses
Pada penelitian ini tahapan penelitian
pendeteksian kualitas pada ikan
ditunjukan pada gambar 3.1 berikut ini
: cakalang. Sedangkan data uji adalah

PEMODELAN/ABSTRAKSI data digunakan untuk mengetahui hasil

1 deteksi jenis kualitas pada ikan

Pengumpulan Observasi BPPMDPP
dataset Gorontalo cakalang yang didapatkan melalui
proses deteksi.
2 Pra Histogram
Pengolahan Equalization
IV. PEMODELAN
3 Ekstraksi Fitur GLCM a). Pra Pengolahan

Sebelum data diolah, terlebih dahulu

Klasifikasi K-NN
4 dilakukan proses pra pengolahan yang

Evaluasi Confusion Matrix

5
Gambar 3.1 Tahapan Penelitian
menggunakan Histogram Equalization,
menentukan atau mencari bobot yang
hal ini dilakukan karena Histogram
terbaik. Data training ini berupa hasil
Equalization berfungsi untuk
dari ekstraksi GLCM (Gray Level Co-
mengubah distribusi nilai derajat
Occurrence Matrix) terhadap kualitas
keabuan pada sebuah citra, sehingga
pada ikan cakalang.
manjadi seragam. Tujuan dari
d). Training Menggunakan K-NN
Histogram Equalization untuk melihat
Training menggunakan K-NN
apakah distribusi informasi yang ada
menjadikan data training yang berupa
dalam suatu citra sudah baik atau
angka atau parameter hasil dari citra
belum baik.
kualitas ikan cakalang yang telah diolah
b). Ektraksi Fitur
melalui fitur ekstraksi GLCM sebagai
Pada proses ekstraksi ciri data input
data inputan untuk algoritma K-NN.
akan dibaca dan kemudian diolah
Algoritma K-NN bekerja berdasarkan
dalam dua proses yang berlainan.
jarak terdekat dari training dan test
Proses ekstraksi fitur tekstur
dalam penentuannya, kemudian
menggunakan metode GLCM (Gray
mengambil mayoritas hasil ketentuan
Level Co- Occurrence Matrix).
kualitas ikan cakalang yang telah
Masukan dari proses ini adalah citra
didapatkan untuk dijadikan prediksi
kualitas ikan cakalang yang sudah
dari test.
dipotong dengan ukuran tertentu.
e). Data Testing
Semua citra diambil pada kondisi
Data testing berupa data yang telah
pencahayaan yang terang. Output dari
terekstraksi cirinya, untuk menguji data
proses ini adalah matriks Nx1 dimana
yang telah dilatih, jumlah data training
N adalah jumlah vektor ciri. c). Data
yang digunakan berupa 90% dari
Training
sampel kualitas ikan cakalang yang
Data Training berupa data yang telah
berbeda. Data testing digunakan untuk
terekstrak cirinya yang selanjutnya
mengetahui keberhasilan Classifier
akan dilatih menggunakan Algoritma
berhasil melakukan klasifikasi, data
K- Nearest Neighbor, jumlah data
testing merupakan ciri dari hasil
training yang digunakan berupa 10%
ekstraksi GLCM (Gray Level Co-
dari sampel ikan cakalang dari kualitas
yang berbeda. Algoritma ini akan
Occurrence Matrix) terhadap kualitas
ikan cakalang yang sudah ada
ikan cakalang.
dikonversi agar diperoleh data citra
f). Model
ikan cakalang yang sesuai kebutuhan.
Model merupakan hasil dari proses Tahap ini berfungsi untuk
training algoritma K-NN menggunakan menormalisasi citra ikan cakalang dari
data testing. permasalahan luminasi yang terlalu

g). Hasil Klasifikasi gelap atau terlalu terang sehingga dapat

meningkatkan performansi dari sistem
Hasil klasifikasi merupakan output
pengenalan ikan cakalang. Pra-
pada data testing yang didapatkan dari
pengolahan dalam penelitian ini
proses klasifikasi yang menggunakan
dilakukan dengan 4 tahap, yaitu:
algoritma K-Nearst Neighbor
berdasarkan model yang diperoleh dari 1). Pengubahan citra warna ke grayscale
data training.
Pra-pengolahan pertama yang akan
h). Evaluasi
dilakukan adalah merubah citra training
Evaluasi bertujuan untuk mengetahui
atau citra testing yang awalnya
kinerja dari metode GLCM (Gray Level
berbentuk citra dari RGB (red, green,
Co-Occurrence Matrix) terhadap
blue) menjadi citra bentuk grayscale,
kualitas ikan cakalang yang digunakan.
perubahan ini dilakukan karena citra
Proses evaluasi dilakukan pada seluruh
grayscale memiliki persamaan yang
data testing kemudian hasil output yang
sederhana dan mampu mengurangi
akan dipetakan kedalam Confusion
kebutuhan memory dimana nilai warna
Matrix untuk dihitung nilai akurasinya.
putih diwakili dengan angka 255 dan

V. HASIL PEMODELAN nilai warna hitam diwakili dengan

a). Pra Pengolahan angka
Pra-pengolahan citra (image pre- 0. Berikut gambar proses perubahan
processing), yaitu proses paling awal citra warna ke grayscale.
dalam pengolahan citra sebelum proses
utama dilakukan. Pada tahap ini citra

Asli Grayscale
2). Normalisasi Citra
tetangganya, kemudian hasil dari proses
Setelah citra asli di konversi ke citra segmentasi ini akan digunakan untuk
abu-abu maka pra-pengolahan proses lebih lanjut [8].
selanjutnya adalah normalilasi citra
4). Metode Otsu Tresholding
dengan histogram ekualisasi.
Histogram ekualisasi adalah sebuah Metode Otsu merupakan salah satu
proses yang mengubah distribusi nilai metode untuk segmentasi citra digital
derajat keabuan pada sebuah citra dengan menggunakan nilai ambang
sehingga menjadi seragam. Tujuan dari secara otomatis, yakni mengubah citra
histogram equalization adalah untuk digital warna abu-abu menjadi hitam
memperoleh penyebaran histogram putih berdasarkan perbandingan nilai
yang merata sehingga setiap derajat ambang dengan nilai warna piksel citra
keabuan memiliki jumlah piksel yang digital. Metode Otsu Thresholding
relatif sama. Berikut gambar diperkenalkan pertama kali oleh
normalisasi citra abu-abu dengan Nobuyuki Otsu, dalam jurnal ilmiahnya
histogram ekualisasi. yang berjudul “A Threshold Selection
Method from Grayscale Histogram”
pada tahun 1979 [9].

Grayscale Histogram

3). Segmentasi Citra Asli Hasil Otsu

Segmentasi citra merupakan bagian 5). Ekstraksi Fitur

dari proses pengolahan citra. Fitur ekstrasi Grey Level Co-

Segmentasi citra (image segmentation) onccurrence Matrix (GLCM)
mempunyai arti membagi suatu citra merupakan matrix yang
menjadi wilayah-wilayah yang menggambarkan frekuensi munculnya
homogen berdasarkan kriteria pasangan dua pixsel dengan intensitas
keserupaan tertentu antara tingkat tertentu dalam jarak d dan orientasi
keabuan suatu piksel dengan tingkat arah
keabuan piksel-piksel
sudut 0o, 90o, 135o, atau 45o tertentu berdasarkan jarak Euclidean dengan
dalam citra. rumus seperti pada persaman [16].

Contras=∑𝑁 𝑖,𝑗-=10 𝑃𝑖, 𝑗(𝑖 - 𝑗)2

𝑛

𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = √∑(𝑋𝑖 − 𝑋𝑡𝑒𝑠𝑡𝑖𝑛𝑔)2

𝑡𝑟𝑎𝑖𝑛𝑖
Energy=∑𝑖,𝑗=0 𝑃(𝑖, 𝑗)2 𝑖=1

Yaitu:

Homogenity=∑𝑁 𝑖,𝑗-=10 𝑃(𝑖, 𝑗)/𝑅 𝑋𝑖 : Data training ke-i

Entropy=∑𝑁 𝑖,𝑗-=10(𝑖, 𝑗) log[ 𝑝(𝑖, 𝑗)]
6). Klasifikasi
Algoritma K-Nearest Neighbor (KNN)
adalah sebuah metode untuk melakukan
klasifikasi terhadap objek berdasarkan
data pembelajaran yang jaraknya paling
dekat dengan objek tersebut. Data
pembelajaran diproyeksikan ke ruang
berdimensi banyak, dimana masing-
masing dimensi merepresentasikan fitur
dari data. Ruang ini dibagi menjadi
bagian-bagian berdasarkan klasifikasi
data pembelajaran. Sebuah titik pada
ruang ini ditandai kelas c jika kelas c
merupakan klasifikasi yang paling
banyak ditemui pada k buah tetangga
terdekat titk tersebut. Dekat atau
jauhnya tetangga biasanya dihitung
𝑡𝑟𝑎𝑖𝑛𝑖
𝑋𝑡𝑒𝑠𝑡𝑖𝑛𝑔 : Data testing
𝑖 : Record (baris) ke-I dari table
𝑛 : Jumalah data training
Penerapan Metode K-Nearest Neighbor.
Adapun penerapan metode K-NN
melalui beberapa langkah [23]:
1. Tentukan parameter k
2. Hitung jarak antara data yang akan
dievaluasi dengan semua pelatihan
3. Urutkan jarak yang terbentuk (urut
naik)
4. Tentukan jarak terdekat sampai
urutan k
5. Pasangkan kelas yang bersesuaian
6. Cari jumlah kelas dari tetangga
yang terdekat dan tetapkan kelas
tersebut sebagai kelas data yang
akan dievaluasi.
7). Confusion Matrix
sebaliknya. jumlah K 4 lebih tinggi
Pada penelitian ini menggunakan
tingkat akurasi kualitas ikan cakalang
confusion Matrix sebagai metode.
menggunakan tekstur warna, ketimbang
Dalam perhitungan akurasi pada
jumlah K 2. Dari hasil perhitungan
penerapan deteksi kualitas ikan
akurasi untuk pengujian Klasifikasi
cakalang menggunakan tekstur warna.
mendapatkan nilai sebesar 80%. Pada
Evaluasi kinerja deteksi kualitas ikan
penelitian ini penggunaan metode K-
cakalang di dasarkan dari jumlah
NN kurang baik untuk tahap klasifikasi.
pengujian objek.

2). Pembahasan Sistem

𝐷𝑎𝑡𝑎 𝑈𝑗𝑖 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖
Akurasi = 𝐷𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100 % a). Tampilan Menu Utama

VI. HASIL DAN PEMBAHASAN

1). Pembahasan Model
Pada tahap pengujian metode terdapat
kendalah pada tahap pengenalan
kualitas, karena penggunaan sampel
ikan harus diperhatikan dari contras dan
posisi dari data sampel, karenan ada
beberapa sampel data yang tidak biasa
b). Tampilan Browse Data Training
dikenali atau tidak terdeteksi. Arah dan
Halaman ini adalah tampilan jika
jarak GLCM sangat berpengaruh untuk
pengguna menekan tombol browse
pengenalan kualitas ikan, hasil yang di
untuk data traning.
dapatkan untuk metode GLCM dengan
K-NN dengan arah 80o dan jarak 4
c). Tampilan Browse Data Testing
lebih tinggi tingkat akurasi. Hasil yang
Halaman ini adalah tampilan jika
di dapatkan dari pengujian metode
pengguna menekan tombol browse
akurasi yang diperoleh sudah cukup
untuk data testing. Tampilan ini akan
baik, hasil dari perhitungan akurasi di
muncul saat pengguna
atas bahwa semakin banyak nilai K
memilih/mengklik browser pada Image
semakin tinggi nilai akurasi yang
diperoleh, dan
Testing, dan pengguna akan memilih
Tampilan iniakan muncul bersamaan
folder yang tersimpan gambar.
dengan tampilan hasil kualitas ikan
cakalang.
d). Tampilan Setelah Pemilihan Folder
Traning dan data Testing. Tampilan ini
akan memunculkan nama folder yang VII. KESIMPULAN
telah dipilih pengguna. Berdasarkan hasil penelitian yang
dilakukan pada ekspresi wajah dan
e). Tampilan Pemasukan Nilai GLCM pembahasan yang telah diuraikan
Tampilan ini akan muncul saat sebelumnya maka dapat ditarik suatu
pengguna telah memasukan nilai dan kesimpulan bahwa:
memilih perhitungan pada GLCM.

Hasil penerapan K-NN dan GLCM

f). Tampilan Pemasukan Nilai K
yang diimplementasikan dalam proses
Tampilan ini akan muncul saat
deteksi kualitas ikan cakalang kurang
pengguna telah memasukan nilai K.
baik dengan nilai akurasi yang diukur
dengan confusion matrix 70% untuk
g). Tampilan Hasil Kualitas Ikan
pengujian klasifikasi.
Cakalang. Tampilan ini akan muncul
saat pengguna mengklik/memilih
tombola tau button proses setelah
REFERENSI
menginput data traning, data testing,
[1]. Altien J.Rindengan, Mans
arah dan jarak GLCM serta nilai k.
Mananohas, “Perancangan Sistem
Tampilah ini adalah tampilan hasil
Penentuan Tingkat Kesegaran Ikan
pemrosesan.
Cakalang Menggunakan Metode Curve
Fitting Berbasis Citra Digital Mata
h). Tampilan Hasil Klasifikasi Dan
Ikan” Jurnal Ilmiah Sains Vol.17 No.2
Nilai Akurasi
Oktober 2017.
[2]. Christina Litaay, Sugeng Hari
BIOGRAFIS PENULIS
Wisudo, John Haluan, dan Bambang
Hamdan Pakaya, Lahir di Gorontalo,
Harianto “Pengaruh Perbedaan Metode
21 Oktober 1997, Putra Pertama dari 3
Pendinginan Dan Waktu Penyimpanan
bersaudara.
Terhadap Mutu Organoleptik
Ikan Cakalang Segar” Jurnal Ilmu dan Sudirman S. Panna, Sebagai
Teknologi Kelautan Tropis, Vol.9, Pembimbing Pertama dalam penelitian
No.2 Desember 2017. ini.

[3]. Muhammad Jumnahdi, Masayu Kartika Chandra Pelangi, Sebagai

Anisah, Sabilal Rasyad, “Aplikasi Pembimbing ke-2 dari penelitian ini.
Matrik Kookuransi Tingkat Keabuan
Untuk Analisa Citra IkanTenggiri”
Jurnal Ampere, Volume.3 No.1 Juni
2018.

[4]. Refta Listia, Agus Harjoko,

“Klasifikasi Massa pada Citra
Mammogram Berdasarkan
Gray Level Cooccurence Matrix
(GLCM)” IJJCS, Vol.8, No.1, Januari
2014.

[5]. Sumarlin, “Implementasi

Algoritma K-Nearest Neighbor Sebagai
Pendukung Keputusan Klasifikasi
Penerima Beasiswa PPA dan BBM”
Jurnal Sistem Informasi Bisnis, Vol.1,
11 Maret 2015.