Artkel
Artkel
Abstrak
1, dan Arah GLCM = 0o, dengan jarak = 1,
Deteksi kualitas dalam penelitian ini dibagi maka mendapatkan nilai akurasi tertinggi
menjadi dua kelompok yaitu Segar, Busuk. Sebesar = 70%. Sedangkan pada percobaan
Penelitian ini bertujuan untuk model K-NN, dengan jumlah K = 2, dan
mengklasifikasi kesegaran berdasarkan Arah GLCM = 135o, dengan jarak = 2,
tingkat akurasi dengan menggunakan maka mendapatkan nilai akurasi tertinggi
metode fitur ekstraksi yaitu gray level co- sebesar
occurrence matrix. Metode penelitian ini = 60%. Pada percobaan model K-NN,
terdiri dari : konversi data rgb ke grayscale, dengan jumlah K = 3, dan Arah GLCM =
normalisasi citra, deteksi kualitas ikan 135o, dengan jarak = 1, Maka Mendapatkan
cakalang menggunakan tekstur warna, Nilai Akurasi Sebesar = 60%. Pada
ekstraksi fitur dan klasifikasi. Dalam percobaan model K-NN, dengan jumlah K
penelitian ini digunakan data latih = 4, dan Arah GLCM = 90o, dengan jarak =
sebanyak 90 citra ikan cakalang yang 4, Maka Mendapatkan Nilai Akurasi
merupakan data real. Data tersebut terdiri Sebesar = 80%. Pada percobaan dengan
dari kualitas ikan cakalang di atas dan jumlah K = 4, dan Arah GLCM = 45o,
masing-masing terdiri dari yang Segar 45, dengan jarak = 4, maka mendapatkan nilai
dan Busuk 45. Data citra tersebut diolah akurasi tertinggi Sebesar = 50%.
menjadi citra grayscale yang kemudian Sedangkan pada percobaan dengan jumlah
dilakukan deteksi kualitas ikan cakalang K = 3, dan Arah GLCM = 45o, dengan
menggunakan tekstur warna. Setelah jarak = 3, maka mendapatkan nilai akurasi
didapat kualitas ikan cakalang kemudian tertinggi sebesar = 70%. Dan dengan
dilakukan perhitungan ciri menggunakan jumlah K = 1, dan Arah GLCM = 45o,
gray level co-occurrence matrix. Algoritma dengan jarak = 1, Maka Mendapatkan Nilai
yang digunakan untuk proses klasifikasi Akurasi Sebesar = 50%. Pada percobaan
adalah algoritma k-nearest neighbor. Hasil model K-NN, dengan jumlah K = 2, dan
akhir pengujian menunjukkan bahwa Arah GLCM = 90o, dengan jarak = 2, Maka
metode yang diusulkan telah mampu Mendapatkan Nilai Akurasi Sebesar =
mendeteksi kualitas ikan cakalang 40%. Dengan demikian penerapan metode
menggunakan tekstur warna dengan hasil gray level co-occurrence matrix dan k-
akurasi yang dihitung menggunakan nearest neighbor pada masalah deteksi
confusion matrix, maka dapat ditarik suatu kualitas ikan cakalang menggunakan
kesimpulan bahwa Pada percobaan model tekstur warna perlu dikembangkan lagi
K-NN, dengan jumlah K = hasil akurat.
walaupun sebagian masih ada yang dan mendapatkan tingkat akurasi yang
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
kandungan protein tinggi sehingga ikan data atau objek adalah suatu teknik
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
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
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
Yaitu: