JRCS, 1 (1) April 2021 ISSN (Online) 2770-1800

Journal of Research Computer Science

(JRCS)
Available online http://journal.station-it.org/index.php/jrcs

Received: 02 March 2021 Accepted: 20 March 2021 Published: 27 April 2021

Application of the K-NN Method and GLCM Feature Extraction in

Classifying Formalin Fish Images

Diah Ayu Larasati & Muhathir*

Informatika, Teknik, Universitas Medan Area, Indonesia

*Coresponding Email:Muhathir@staff.uma.ac.id
Abstrak
Ikan adalah salah satu sumber protein yang banyak dikonsumsi dan mudah didapat. Food and
Agriculture Organization (FAO) mengatakan, Indonesia adalah negara ke dua terbesar setelah Cina
dalam produksi perikanan. Indonesia adalah negara yang 75% wilayahnya terdiri atas lautan, yang
menyebabkan Indonesia memiliki potensi ikan laut yang besar, dalam pertahunnya sumber daya
perikanan di Indonesia mencapai 65 juta ton. Ikan adalah bahan makanan yang mudah mengalami
pembusukan. Hal tersebut menyebabkan banyaknya nelayan dan penjual ikan menggunakan zat kimia
formalin yang berbahaya. Formalin adalah zat yang bersifat karsinogenik, yang berarti zat yang dapat
memicu kanker. Oleh karena itu, penulis melakukan penelitian untuk mengklasifikasi ikan berformalin
berdasarkan citranya dengan menggunakan algoritma KNN dan ekstraksi fitur GLCM pada dua jenis
ikan. Dari penelitian didapat hasil perhitungan accuracy = 0,6. Pada ikan berformalin nilai precision =
0,72 recall = 0,50, serta hasil F1-Score = 0,59 dan pada ikan segar hasil precision = 0,52, recall = 0,74 dan
F1-Score = 0,61, sedangkan pada ikan tamban hasil accuracy = 0,63. Pada ikan berformalin precision =
0,62, recall = 0,72 dan F1-Score = 0,67. Pada ikan segar precision = 0,65, recall = 0,54, dan F1-Score =
0,56.
Kata Kunci: Formalin, Ikan, K-NN, GLCM

Abstract
Fish is a widely consumed and easily available source of protein. The Food and Agriculture Organization
(FAO) said that Indonesia is the second largest country after China in fishery production. Indonesia is a
country where 75% of its territory consists of oceans, which causes Indonesia to have a large marine fish
potential. Annually, Indonesia's fishery resources reach 65 million tons. Fish is a food ingredient that is
prone to spoilage. This causes many fishermen and fish sellers to use the dangerous chemical
formaldehyde. Formalin is a substance that is carcinogenic, which means a substance that can trigger
cancer. Therefore, the authors conducted a study to classify formali based fish using the KNN algorithm
and feature extraction of GLCM on two types of fish. From the research, it was obtained that the
calculation of accuracy = 0.6. For formalized fish the precision value = 0.72 recall = 0.50, and the results of
F1-Score = 0.59 and for fresh fish the results are precision = 0.52, recall = 0.74 and F1-Score = 0.61,
meanwhile accuracy = 0.63 for the fish pond. For fish with formalin precision = 0.62, recall = 0.72 and F1-
score = 0.67. For fresh fish precision = 0.65, recall = 0.54, and F1-Score = 0.56.
Keywords: Formalin, Fish, K-NN, GLCM

How to Cite: Larasati, D.A., Muhathir. (2021). Application of the K-NN Method and GLCM Feature Extraction in
Classifying Formalin Fish Images. JRCS(Journal of Research Computer Science). 1 (1): 1-13
PENDAHULUAN
I. PENDAHULUAN
Manusia membutuhkan asupan gizi yang cukup setiap harinya. Sumber makanan yang memiliki
protein (Handayani, 2019), mineral dan vitamin yang baik dan mampu memenuhi kebutuhan manusia
adalah ikan (Kinanthi et al., 2018.). Ikan adalah salah satu sumber protein yang banyak dikonsumsi dan
mudah didapat (Hastutu, 2017). Food and Agriculture Organization (FAO) mengatakan, Indonesia adalah
negara ke dua terbesar setelah Cina dalam produksi perikanan (Mardiana & Zulfikri, 2020). Indonesia
adalah negara yang 75% wilayahnya terdiri atas lautan, yang menyebabkan Indonesia memiliki potensi
ikan laut yang besar (Sukamandi & Sudiadnyana, 2019), dalam pertahunnya sumber daya perikanan di
Indonesia mencapai 65 juta ton (Oheo et al,. 2020). Dengan pesatnya kemajuan teknologi saat ini, proses
penangkapan ikan juga ikut berkembang dengan menggunakan alat yang lebih modern dan efektif.
Dengan kemajuan ini penangkapan ikan dimasa depan akan terus menerus meningkat jumlahnya hingga
mungkin akan mencapai ratusan juta kilo pertahun (Pariyandani et al,. 2019).

Ikan adalah bahan makanan yang mudah mengalami pembusukan (Mardiana et al., 2020). Dengan
segala keterbatasan, sebagian hasil tangkapan ikan nelayan tidak dapat diangkut ke pasar. Untuk
mengatasi hal itu, sebagian pedagang ikan dan nelayan mengawetkan ikan agar tidak cepat mengalami
pembusukan (Wijayanti & Lukitasari, 2016). Hanya dalam 8 jam setelah ikan ditangkap akan mulai
mengalami proses perubahan yang berujung pembusukan. Biasanya, cara yang dilakukan untuk mencegah
pembusukan adalah dengan mengawetkan ikan dengan balok es. Masalah yang terjadi jika menggunakan
balok es adalah banyaknya balok es yang dibutuhkan sehingga biaya yang dibutuhkan lumayan banyak
dan juga tidak praktis (Mardiana et al., 2020).

penjual ikan yang melakukan kecurangan dengan menggunakan zat kimia formalin yang berbahaya
sebagai pengganti balok es. Tersebarnya berita penggunakan formalin pada bahan makanan, terkhusus
produk perikanan, sangat mengejutkan pada tahun 2005 hingga saat ini. Pada saat ini penyalahgunaan
bahan kimia sangat tinggi dan terus meningkat terkhusus pada bahan makanan, oleh karena itu sangat
penting untuk berhati-hati dalam memilih bahan makanan bagi masyarakat. Formalin yang digunakan
sebagai zat untuk mengawetkan makanan, bertujuan agar makanan tidak mengalami pembusukan dan
lebih tahan lama (Syukri & Mukhaiyar, 2021.).

Dari 700 sampel produk makanan hasil penelitian BPOM yang diambil dari Jawa, Lampung dan
Sulawesi Selatan, terdapat 56 persen produk makanan mengandung formalin. Pada pasar tradisional dan
swalayan BPOM Makasar juga menemukan pada ikan asin kering yang ternyata juga menyandung
formalin (Hasnidar et al., 2020). Terus meningkatnya pemakaian formalin sebagai pengawet makan,
disebabkan harganya yang relatif murah, hanya perlu sedikit formalin yang diperlukan untuk
mengawetkan tidak seperti pengawet lain, berbentuk larutan sehingga mudah digunakan dalam proses
pengawetan, proses pengawetan lebih singkat dapat menghemat waktu, mudah didapatkan dalam jumlah
besar di toko bahan kimia, dan rendahnya pemahaman masyarakat produsen tentang bahaya zat formalin
(Purwanti et al., 2017).

Penggunakan formalin pada makanan telah dilarang menurut PERMENKES RI NO.033 tahun 2012
tentang bahan tambahan pangan. Lembaga Internasional untuk Penelitian Kanker (IARC) dan Lembaga
Perlindungan Lingkungan Amerika Serikat (EPA) mengatakan formalin adalah zat yang bersifat
karsinogenik, yang berarti zat yang dapat memicu kanker, World Health Organozation (WHO) menyakatan
penderita kanker terus meningkat di dunia mencapai 18,1 juta jiwa pertahun dan lebih dari separuh
penderita berasal dari negara berkembang (Handayani, 2019). Terkadang masyarakat kurang memahami
dan memperhatikan dampak negative formalin bagi kesehatan jika terkonsumsi bahkan dengan jumlah
yang sedikit. Jika kandungan formalin dalam tubuh tinggi dapat menyebabkan iritasi lambung, alergi,
muntah, diare dan kencing bercampur darah jika formalin terhirup dapat merangsang iritasi pada hidung,
mata dan tenggorokan (Novitasari & Rizki, 2016).

Karena semua dampak bahaya yang ditimbulkan formalin pada kesehatan, penulis melakukan
penelitian tentang penerapan metode K-Nearest Neighbors (K-NN) dan ekstraksi fitur Gray Level Co-
Occurrence Matrix (GLCM) dalam pengklasifikasian ikan berformalin dan ikan segar berdasarkan citranya.

2
Dimana GLCM adalah matriks yang dirancang untuk mengukur bentuk dan tekstur pada citra yang
berbeda (Muhathir et al., 2021). GLCM berfungsi sebagai fitur penting dalam analisis klasifikasi citra
berorientasi objek, dan memiliki berkontribusi pada peningkatan akurasi klasifikasi (Santoso et al., 2020).
Algoritma K-Nearest Neighbors atau K-NN biasanya diterapkan dalam klasifikasi data berdasarkan nilai
selisih yang kecil dari jarak terdekat ke objek. Prinsip umum algoritma ini adalah menentukan nilai K pada
data latih yang selanjutnya akan diolah menggunakan K-NN berdasarkan jarak. Nilai mayoritas K-NN
selanjutnya dijadikan dasar dalam menentukan jenis kelas atau kategori sampel berikutnya (Muhathir et
al., 2020) Pengenalan karakter adalah salah satu bidang ilmu pada bidang pengenalan pola (Pattern
Recognition) dimana hasil pengenalan pola dapat digunakan dalam kebutuhan lain (Sandy et al., 2019).

Sebelumnya penelitian tentang klasifikasi citra ikan sudah pernah dilakukan, pada penelitian
terdahulu yang berjudul Analysis of the Naïve Bayes Method in Classifying Formalized Fish Images Using
GLCM Feature Extraction yang dimana penelitian tersebut menghasilkan sistem yang mampu
mengindentifikasi citra ikan segar dengan akurasi sebesar 98,4% dan dengan tingkat kesalahan
identifikasi sebesar 1,6%. Serta mampu mengidentifikasi 58,4% citra ikan berformalin dengan benar dan
41,6% identifikasi citra ikan berformalin yang keliru di identifikasi (Pariyandani et al., 2020). Sebelum ini
penulis juga telah meneliti tentang klasifikasi ikan segar dan berformalin menggunakan metode K-Nearest
Neighbors (K-NN) dan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) pada citra ikan tamban,
pada kali ini penulis akan meneliti menggunakan metode yang sama pada citra ikan yang berbeda yaitu
pada citra ikan mujair dan citra ikan tamban.

II. STUDI PUSTAKA

A. Formalin
Formalin merupakan nama dagang dari campuran formaldehid, metanol, dan air. Di pasaran
kadar formaldehid yang beredar bervariasi, diantara 20% - 40%. Formalin sangat mudah terlarut
didalam air. Jika formalin dicampur dengan ikan, formalin akan meresap dengan mudah pada
danging ikan. Kemudian formalin akan mengeluarkan (dehydrating) sel daging, dan
menggantikannya dengan formaldehid dan bertekstur lebih kaku. Dan membuat bentuk ikan dapat
bertahan lebih lama, dan karena sifat formalin yang dapat membunuh mikroba, daging ikan tidak
akan mengalami pembusukan.

Gambar 1. Formalin

B. Ikan Tamban
Ikan tamban (Lemuru) memiliki karakteristik berupa badan yang memanjang dan agak bulat,
struktur sisisk lebih halus (dibandingkan clupeidae lain), pada tutup insang bagian bawahnya
membentuk sudut, antara kuping insang berbentuk setangah lingkaran, pada belakang tutup insang
terdapat noda berwarna kuning kehijauan diikuti garis berwarna kekuningan pada sisi gurat (lateral
line). dengan warna punggung ikan gelap, dan warna perut keperakan (Laila et al., 2020).

C. Ikan Mujair

Oreochromis mossambica atau bias akita kenal dengan nama ikan mujair adalah ikan pemakan
segalanya (omnivore) baik hewan maupun tumbuhan, merupakan ikan yang rakus. Saat masih kecil
mujair akan memakan plankton dan zooplankton (Syahril et al., 2016). Protein yang terdapat pada
ikan mujair sebesar 18,7 g protein/gram. Jika dibandingkan dengan jenis ikan lain, kandungan gizi
protein pada ikan mujair lebih tinggi.

D. Grayscale
Citra grayscale adalah citra yang memiliki 1 buah kanal dan yang ditunjukan hanyalah nilai dari
intensitas atau derajat keabuan. Grayscale memiliki nilai 0-255 skala keabuan (Praseptiyana et al.,
2019).

E. Image Processing
Image Processing atau biasa disebut pengolahan citra merupakan suatu proses untuk
meningkatkan kualitas dari citra (Sofian et al., 2019). Citra digital didapat dari penangkapan citra
dengan bentuk sesuai dengan matriks dengan komponennya yaitu nilai itensitas cahaya atau tingkat
keabuan dari suatu piksel dengan otomatis. (Situmorang et al., 2019)

F. Gray Level Oc-Occurrence Matrix (GLCM)

GLCM (Gray Level Oc-Occurrence Matrix) merupakan metode analisis statistik orde-kedua (Sari,
2016) yang bertujuan untuk mengambil dan membentuk ciri berdasarkan tingkat keabuan dengan
menghitung tingkat kekontrasan, granularitas dan kekasaran suatu daerah dari hubungan
ketetanggaan antar pikes yang saling bertentanggaan (Fadhilah et al., 2019). Fitur yang dapat
diekstraksi GLCM antara lain:

1. Kontras =

2. Energy =

3. IDM (Inverse Difference Moment) =

4. Entropy
Entropy, mengukur jumlah informasi dari sinyal transmisi dan juga menghitung informasi
dari citra (Anoraga et al., 2014).

G. K-Nearest Neighbor (K-NN)

K-NN (K-Nearest Neighboor) adalah metode yang digunakan untuk melakukan klasifikasi
terhadap objek tertentu berdasarkan data uji dengan jarak yang paling dekat dengan objek tersebut ,
(Afriyana et al., 2018). Objek yang diuji akan dibandingkan dengan setiap sampel data training (Sari,
2016). Pada data training diambil lebih dari satu tetangga yang terdekat dengan data uji, selanjutnya
menentukan kelasnya. Berikut adalah langkah-langkah dari algoritma klasifikasi K-Nearest Neighbor
(K-NN) (Afriyana et al., 2018):
1. Tentukan nilai k
2. Menghitung jarak data baru pada setiap labeled data
3. Menentukan nilai k labeled data yang jaraknya yang paling kecil

4
 4. Klasifikasi data baru dalam labeled data dimana mayoritas dari K-NN dipilih berdasarkan
jarak matriks. Ada berberapa cara agar K-NN dapat digunakan dalam menentukan kelas, dan
pada penelitian kali ini cara yang digunakan adalah city block atau Manhattan distance yaitu:
CityBlock Distance
Cityblock merupakan jarak antara dua titik atau jarak koordinat yang memiliki kemiripan
dengan euclidean. Yang memebedakannya adalah pada cityblock setelah menghitung jarak
anatar dua titik selanjutnya data dimutlakkan. Untuk dapat menghitung jarak antara dua titik
Xs dan Xt digunakan rumus:

III. METODE PENELITIAN

Pada tahapan metodologi, penelitian diuraikan dalam bentuk langkah-langkah proses penelitian,
yang dilakukan guna menyelesaikan permasalahan pada penelitian.

A. Dataset

Data yang digunakan pada penelitian ini berjumlah 600 data dengan 400 data citra ikan tamban yang
mana 400 citra tersebut dibagi kembali menjadi 200 citra ikan berformalin dan 200 citra ikan segar. Dan
200 data citra ikan mujair yang dibagi menjadi 100 data citra ikan segar dan 100 data citra ikan
berformalin, data – data ini digunakan sebagai data testing dan data training pada sistem. Pada penelitian
ini sistem dirancang berbasis desktop dengan menggunakan aplikasi microsoft visual studio 2010 dan
MySQL sebagai databasenya.

Tabel 1. Dataset Citra Ikan

Dataset Citra Ikan Citra Ikan Data Data Tes
Berformalin Segar Training ting
Ikan Mujair 100 100 120 80
Ikan Tamban 200 200 237 163

B. Metodologi Penelitian
 Gambar 2. Rancangan Metodologi

Pada gambar 1 diatas menjelaskan tahapan – tahapan yang digunakan dalam penelitian ini, adapun
penjelasannya adalah sebagai berikut:
1. Idendifikasi Masalah
Pada tahapan ini dilakukan penentuan masalah yang sesuai dengan bidang ilmu dari peneliti,
adapun pada penelitian ini masalah yang didapat berupa klasifikasi citra ikan segar dan
berformalin.
2. Studi Literatur
Pada tahapan ini penulis mencari berbagai referensi yang mendukung judul penelitian penulis,
penulis mencari dan membaca jenis penelitian sejenis baik dari buku maupun jurnal penelitian
terdahulu.
3. Pengumpulan Data
Dalam tahapan pengumpulan data, penulis mengambil data citra dari ikan menggunakan kamera
ponsel, penulis membeli ikan segar langsung dari pasar, dan kemudian citra ikan segar diambil.
Setelah selesai mengambil data citra ikan segar, ikan segar tersebut kemudian diberi formalin
secukupnya. Sebelum formalin diberikan pada ikan, formalin terlebih dahulu dicampur dengan air
dengan perbandingan 50:50. Setelah ikan selasai diberi formalin, citra dari ikan yang diberi
formalin kembali diambil.

(a) (b)
Gambar 3. Citra (a) Ikan Mujair dan (b) Ikan Tamban

6
 4. Perancangan Sistem

Gambar 4. Prosedur Kerja Sistem

Pada penelitian kali ini sistem dirancang bebasis desktop dan dapat dijalankan dengan
menggunakan komputer. Gambar 3 diatas merupakan tahapan – tahapan prosedur kerja klasifikasi
citra pada sistem secara umum, yang dimulai dari penginputan data citra ikan asli pada sistem,
kemudian data citra ikan asli akan diberi efek grayscale yang akan mengubah citra ikan menjadi ke
abu-abuan, dimana hal ini berfungsi untuk menyederhanakan pixel citra ikan. Selanjutnya masuk
dalam tahap pembentukan Co-Occurrence Matrix. Dalam menganalisis tekstur secara statistik,
perhitungan fitur tekstur dihitung berdasarkan distribusi dari kombinasi intensitas pixel pada
posisi tertentu, masing-masing kombinasi dibedakan melalui statistik orde-pertama, orde kedua
dan statistik orde-lebih tinggi. GLCM adalah salah satu cara untuk mengekstrak fitur tekstur
statistik orde-kedua (Sari, 2016).
5. Implementasi
Pada tahap ini penulis menggunakan metode K-NN dan ekstraksi fitur GLCM dalam mengklasifikasi
citra ikan. Pada tahap ini dihitung nilai entropy, energy, Inverse Different Moment (IDM), dan kontras
pada citra ikan, untuk selanjutnya diklasifikasikan.
6. Evaluasi
Proses evaluasi ini dilakukan untuk mengetahui apakah sistem yang dibuat menghasilkan hasil yang
akurat dalam mengklasifikasi citra ikan berformalin.

IV. HASIL DAN PEMBAHASAN

Penelitian ini menggabungkan metode K-Nearest Neighbors (K-NN) dengan ekstraksi fitur Gray
Level Co-Occurrence Matrix untuk mengklasifikasi citra ikan berformalin. dalam penelitian ini citra ikan
segar dan berformalin di training terlebih dahulu sebelum dilanjutkan pada tahap klasifikasi.

A. Hasil

Penelitian ini sistem yang dihasilkan mampu mengenali ikan segar dan berformalin berdasarkan
citranya. Digunakan dua jenis ikan dalam penelitian ini yaitu ikan mujair (Chanos chanos Forsskal) dan
ikan tamban (Lemuru). Kedua jenis ikan ini dipilih berdasarkan tingkat popularitasnya, banyaknya
masyarakat yang membeli dan mengonsumsi ikan ini membuat ikan tamban dan mujair ini terpilih
sebagai objek untuk melakukan penelitian terhadap kesegaran ikan.
 Gambar 5. Form Uji

Pada halaman awal sistem, akan terlihat dua pilihan menu yang tersedia yaitu menu tambang data
yang berarti menu untuk penginputan data yang akan digunakan sebagai data training, dan menu
klasifikasi data yaitu menu untuk mengklasifikasi citra ikan. Sebelum melakukan klasifikasi diharuskan
terlebih dahulu untuk memasukan data training, sebagai bahan untuk perbandingan data saat
klasifikasi dimulai.

Gambar 6. Form Tambang Data

Pada proses tambang data sistem, citra ikan asli dimasukan dan diberi efek grayscale dan
kemudian citra akan menghitung energi, kontras, entropi dan IDM dari masing-masing citra ikan yang
diinputkan menggunakan metode ekstraksi fitur GLCM. Setelah hasil perhitungan muncul langkah
berikutnya yang harus dilakukan adalah menulis keterangan dari citra ikan yang telah dihitung, dan
menyimpannya. Data yang telah tersimpan akan masuk kedalam database sistem, dan terlihat pada
tabel yang berisi data citra ikan seperti diatas.

8
 Gambar 7. From Uji

Gambar 7 menunjukkan proses klasifikasi menggunakan metode KNN setelah mendapatkan data
testing pada proses sebelumnya. Proses klasifikasi menggunakan metode K-NN berfungsi
mengklasifikasi objek baru berdasarkan atribut dari training data. Pada penelitian ini objek yang objek
yang digunakan untuk di testing adalah citra ikan mujair segar, citra ikan mujair berformalin, citra
ikan tamban segar dan citra ikan tamban berformalin. Data – data citra tersebut diklasifikasi untuk
melihat seberapa akurat dan efektif sistem yang dibangun, kekurangan-kekurangan apa saja yang
terdapat dalam sistem, dan pengembangan yang dibutuhkan untuk membuat sistem menjadi lebih
baik di kemudian hari.

Data-data berikut ini merupakan hasil perhitungan dari penelitian yang telah dilakukan. Berikut ini
merupakan data hasil klasifikasi ikan tamban menggunakan metode K-Nearest Neighbors dengan
menggunakan rumus nilai jarak manhattan dan ekstraksi fitur Gray Level Co-Occurrence Matrix.

Tabel 3. Klasifikasi Citra Ikan Mujair

Prediksi Berformalin Ikan Segar Keseluruhan
Berformalin 23 23 46
Ikan Segar 9 25 34
Keseluruhan 32 48 80

Tabel 4. Hasil Perhitungan Akurasi Ikan Mujair

Precision recall F1-Score
Ikan Berformalin 0,72 0,50 0,59
Ikan Segar 0,52 0,74 0,61
Accuracy 0,60
Macro avg 0,62 0,62 0,60
Weight avg 0,63 0,60 0,60

Tabel 2 diatas merupakan hasil klasifikasi data citra ikan mujair. Dari 80 data citra ikan mujair
yang diklasifikasi, dengan 46 data citra ikan berformalin didapatkan 23 data citra ikan mujair
berformalin berhasil diklasifikasi dengan benar, sedangkan terdapat 23 data citra ikan mujair
berformalin yang keliru diklasifikasi. Pada data citra ikan mujair segar, dari 34 data citra terdapat 25
data citra yang benar diklasifikasi sebagai ikan segar, sedangkan terdapat 9 data citra ikan mujair
segar yang keliru diklasifikasi.

Tabel 3 merupakan hasil perhitungan akurasi citra ikan mujair. Berdasarkan hasil perhitungan
didapatkan accuracy sebesar 0,60 pada data citra ikan mujair, pada data citra ikan berformalin
didapatkan hasil perhitungan precision sebesar 0,72, recall sebesar 0,50 dan F1-Score sebesar 0,59.
Serta pada data citra ikan mujair segar didapatkan hasil perhitungan precision sebesar 0,52, recall
sebesar 0,74, dan hasil perhitungan F1-Score sebesar 0,61.

Tabel 1. Klasifikasi Citra Ikan Tamban

Prediksi Berformalin Ikan Segar Keseluruhan
Berformalin 60 23 83
Ikan Segar 37 43 80
Keseluruhan 97 66 163

Tabel 2. Hasil Perhitungan Akurasi Ikan Tamban

Precision recall F1-Score
Ikan Berformalin 0,62 0,72 0,67
Ikan Segar 0,65 0,54 0,59
Accuracy 0,63
Macro avg 0,64 0,63 0,63
Weight avg 0,63 0,63 0,63

Tabel 4 merupakan hasil klasifikasi dari citra ikan tamban. Dari 163 data citra yang diklasifikasi,
terdapat 83 data citra ikan tamban berformalin, dan 60 data citra diantaranya diklasifikasikan dengan
benar sebagai ikan tamban berformalin, sedangkan 23 data citra diklasifikasikan dengan keliru. Pada
data citra ikan tamban segar, dari 80 data citra ikan tamban segar terdapat 43 data citra yang
diklasifikasikan dengan benar sebagai ikan tamban segar, sedangkan 37 data diantaranya
diklasifikasikan dengan keliru sebagai ikan tamban berformalin.

Tabel 5 merupakan hasil perhitungan akurasi data citra ikan tamban. Dimana berdasarkan hasil
perhitungan didapatkan hasil precision sebesar 0,62, recall sebesar 0,72, dan F1-score sebesar 0,67.
Sedangkan pada data ikan tamban segar didapatkan hasil perhitungan precision sebesar 0,65 recall
sebesar 0,54 dan hasil F1-score sebesar 0,59. Serta total accuracy yang didapat dari hasil penetian
adalah sebesar 0,63.

B. Pembahasan

Sebelumnya telah dilakukan penelitian untuk mendeteksi citra ikan segar dan citra ikan
berformalin pada ikan tamban dengan menggunakan metode Naïve Bayes. Penulis melakukan
perbandingan akurasi antara metode Naïve Bayes dan metode K-NN. Perbandingan hasil accuracy
antara penelitian terdahulu (Naïve Bayes) dan penelitian saat ini (K-Nearest neigbors) disusun dalam
bentuk tabel seperti berikut ini:

Tabel 5. Perbandingan nilai accuracy naïve bayes dan K-NN

Jenis Ikan Metode Accuracy Precision Recall F1-Score
Naïve Bayes (Pariyandani
Tamban et al., 2020) 0,7 0,962963 0,416 0,581006
Tamban K-NN 0,631902 0,651515 0,5375 0,589041
Mujair K-NN 0,6 0,520833 0,735294 0,609756

Didapat hasil dimana nilai accuracy citra ikan tamban yang dihitung dengan menggunakan metode
Naïve Bayes lebih tinggi dibandingkan hasil accuracy citra ikan tamban dan mujair yang dihitung
dengan menggunakan metode K-NN dengan perbandingan 0,7:0,63:0,6. Pada perhitungan precision
citra ikan, hasil perhitungan dengan menggunakan metode Naïve Bayes juga mendapat nilai tertinggi
dibandingkan dengan menggunakan metode K-NN. Pada perhitungan recall pada metode Naïve Bayes
nilai yang dihasilkan lebih rendah dibandingkan dengan perhitungan recall dengan menggunakan
metode K-NN, dan pada metode K-NN hasil recall yang tertinggi terdapat pada citra ikan mujair dengan
0,74. Hasil tertinggi pada perhitungan F1-Score juga didapat pada citra ikan mujair yang dihitung

10
 dengan menggunakan metode K-NN yaitu sebesar 0,609756 dibandingkan dengan menggunakan
metode Naïve Bayes yang menghasilkan nilai sebesar 0,581006.

Gambar 8. Grafik Perbandingan Nilai accuracy Naïve Bayes dan K-NN

Gambar 8 diatas merupakan hasil dari perhitungan accuracy pada tabel 6 yang disajikan dalam
bentuk grafik. Bedasarkan hasil penelitian yang telah dilakukan secara keseluruhan metode naïve
bayes lebih optimal dalam mengklasifikasi citra ikan segar dan citra ikan berformalin dibandingkan
dengan klasifikasi menggunakan metode K-NN (K-Nearest Neighbors).

V. SIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan didapatkan kesimpulan, dengan menggunakan
metode K-Nearest Neighbors (K-NN) dan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) untuk
mengklasifikasi citra ikan segar dan berformalin pada dua jenis ikan, didapatkan hasil akurasi sebesar
60% pada ikan mujair dan 63% pada ikan tamban. Berdasarkan hasil perhitungan F1-Score diketahui
bahwa dengan menggunakan metode K-Nearest Neighbors dalam mengklasifikasi citra ikan, citra ikan
tamban lebih baik dalam klasifikasi dibandingkan ikan mujair dengan perbandingan accuracy F1-Score
0,63:0,60. Jika dibandingkan dengan penelitian klasifikasi citra ikan terdahulu dengan menggunakan
metode Naïve Bayes, klasifikasi citra ikan dengan metode Naïve Bayes dinilai lebih optimal dibandingkan
dengan hasil klasifikasi dengan menggunakan metode K-NN (K-Nearest Neighbors) dengan perbandingan
accuracy antara metode Naïve Bayes pada citra ikan tamban dan metode K-NN pada citra ikan tamban dan
mujair adalah 0,7:0,63:0,6. Hasil penelitian ini tentulah belum maksimal dinilai dari persentasi kesalahan
yang juga cukup besar. Hal ini mungkin terjadi karena pada saat proses pengambilan sampel data yang
belum sempurna, dan akan diperbaiki pada penelitian selanjutnya.

VI. UCAPAN TERIMAKASIH

Terima kasih yang sebesar besarnya penulis ucapkan kepada dosen pembimbing penulis bapak
Muhathir, S.T, M.Kom yang telah memberi dukungan baik secara materi dan non materi. Terima kasih juga
penulis ucapkan kepada teman-teman yang telah membantu dan memeberi dukungan kepada penulis.

DAFTAR PUSTAKA

Afriyana, Y. Purnamasari, R. & Patmasari, R. (2018). Deteksi Kelainan Tulang Belakang Berdasarkan CItra
Medis Digital Dengan Menggunakan Gray Level Co-Occurrence Matris (GLCM) Dan K-Nearest
Neighbor (KNN). e-Proceeding of Engineering, 5(3), 4675–4682.

Anoraga, B. M. Purnama B. E. & Sukadi. (2014). Aplikasi Sistem Pengelolaan Surat Pada Kantor Desa Jetis
Lor. Speed - Indonesian Journal on Computer Science, 11(2014: IJCSS-Accepted Paper), 66–71.
 http://ejournal.unsa.ac.id/index.php/speed/article/view/892

Fadhilah, F.N.M. Magdalena R. & Kumalasari, N.C.P. (2019). Deteksi Derajat Kebengkokan Tulang Belakang
Berdasarkan Citra Medis DIgital Menggunakan Metode GLCM dan LVQ. e-Preoceeding of Enguneering,
6(2), 3798–3805.

Handayani, T. (2019). Identifikasi Formalin Pada Ikan Yang Dijual Di Pasar Lasi Kabupaten Agam Tahun
2019. Prosiding Senakes, 75–79.

Hasnidar, Tamsil, A. & Akram, A. (2020). Bahaya Penggunaan Formalin Sebagai Pengawet Bahan Makanan.
JATI EMAS (Jurnal Aplikasi Teknik Dan Pengabdian Masyarakat), 4(1), 39.
https://doi.org/10.36339/je.v4i1.266

Kinanthi, N. R. Asmara, R. A. & Mentari, M. (2018). Deteksi ikan bandeng berformalin berdasarkan citra
insang menggunakan metode naive bayes classifier. Seminar Nasional Teknologi Informasi dan
Aplikasinya. 10(01), 1–7.

Laila, K. Hasibuan, S. & Rumondang, & Batubara, J. P. (2020). Pemanfaatan Ikan Tamban Menjadi Produk
Olahan Kerupuk Ikan DiDesa Pahang Kecamatan Talawi Kabupaten Batu Bara. Jurnal Andara
Pengabdian Masyarakat. 2(1).

Mardiana, R. Lidyawati. & Zulfikri, M. (2020). Identifikasi Formalin Pada Ikan Segar di Pelabuhan
Pendaratan Ikan Idi Rayeuk Kabupaten Aceh Timur. Journal of Pharmaceutical and Health Research,
1(3), 77–82. http://ejurnal.seminar-id.com/index.php/jharma/article/view/597

Muahthir. Santoso, M. H. & Larasati, D. A. (2021). Wayang Image Classification Using SVM Method and GLCM
Feature Extraction. JITE ( Journal of Informatics and Telecommunication Engineering ), 4(2).

Muhathir, Sibarani T. T. S. S. & Al-Khowarizmi. (2020). Analysis K-Nearest Neighbors ( KNN ) in Identifying
Tuberculosis Disease ( Tb ) By Utilizing Hog Feature Extraction. Al’adzkiya International of Computer
Science and Information Technology (AIoCSIT) Journal, 1(1), 33–38.

Novitasari, A. E. & Rizki. (2016). Pengaruh penambahan konsentrasi jeruk nipis (Citrus aurantiifolia s.)
terhadap penurunan kadar formalin pada udang vannami (Letapenaeus vannamei) dengan
spektrofotometri visibel. Jurnal Sains, 6(11), 7–14.

Pariyandani, A. Larasati, D. A. Wanti, E. P. &Muhathir (2019). Klasifikasi Citra Ikan Berformalin

Menggunakan Metode K-NN dan GLCM. Prosiding Seminar Nasional Teknologi Informatika, 2(1), 42–
47.

Pariyandani, A. Wanti, P. W. & Muhathir. (2020). Analysis of the Naïve Bayes Method in Classifying
Formalized Fish Images Using GLCM Feature Extraction. Journal of Computer Science, Information
Technology and Telecommunication engineering (JCoSITTE), 1(2), 120–128.
https://doi.org/10.30596/jcositte.v1i2.5171

Praseptiyana, W. I. Widodo, A. W. & Rahman, M. A. (2019). Pemanfaatan Ciri Gray Level Co-occurrence
Matrix ( GLCM ) Untuk Deteksi Melasma Pada Citra Wajah. Jurnal Pengembangan Teknologi Informasi
Dan Ilmu Komputer, 3(11), 10402–10409.

Purwanti, A. Prasetyorini, T. & Mujianto, B. (2017). PENGARUH WAKTU PERENDAMAN IKAN ASIN SELAR
KUNING (Selaroides leptolepis) DALAM AIR LERI PEKAT TERHADAP DEGRADASI FORMALIN. Jurnal
Ilmu Dan Teknologi Kesehatan, 5(1), 11–21. https://doi.org/10.32668/jitek.v5i1.54

Sandy, B. Siahaan, J.K, Permana, P. & Muhathir. (2019). Klasifikasi Citra Wayang Dengan Menggunakan
Metode k-NN & GLCM. Prosiding Seminar Neasional Teknologi Informatika, 2(November), 71–77.

Santoso, M. H. Larasati, D. A. & Muhathir. (2020). Wayang Image Classification using MLP Method and GLCM
12
 Feature Extraction. Journal of Computer Science, Information Technology and Telecommunication
Engineering (JCoSTTE), 1(2), 111–120. https://doi.org/10.30596/jcositte.v1i2.5131

Sari, I. P. Hidayat, B. & Atmaja, R. D. (2016). Perancangan dan Simulasi Deteksi Penyakit Tanaman Jagung
Berbasis Pengolahan Citra Digital Menggunakan Metode Color Moments dan GLCM. Seminar Nasional
Inovasi Dan Aplikasi Teknologi Di Industri (SENIATI), 215–220.

Syahril. Soekendarsi, E. & Hasyim, Z. (2016). Perbandingan Kandungan Gizi Ikan Mujair Oreochormis
mossambica Danau Universitas Hasanuddin Makassar dan Ikan Danau Mawang. Jurnal Biologi
Makassar, (2016). 1 , 2 2 1. 1(1), 1–7.

Hastuti, E. (2017). Gambaran Penggunaan Formalin Pada Ikan Asin Di Pasar Karangayu Kota Semarang.
Jurnal Keperawatan dan Kesehatan Masyarakat, 2(5).

Situmorang, G. T. Widodo, A. W. & Rahman, M. A. (2019). Penerapan Metode Gray Level Cooccurrence
Matrix ( GLCM ) untuk Ekstraksi Ciri pada Telapak Tangan. Jurnal Pengembangan Teknologi Informasi
Dan Ilmu Komputer, 3(5), 4710–4716.

Sofian, J. & Laluma, R. H. (2019). Jenis Tumor Otak Dengan Metode Image Threshold Dan Glcm
Menggunakan Algoritma K-Nn ( Nearest Neighbor ) Classifier Berbasis Web. Jurnal Infotronik, 4(2),
51–56.

Sukamandi, N. M. M. & Sudiadnyana, I. W. (2019). Perbedaan Kandungan Formalin Pada JEnis Ikan Asin dan
Gabus Di Pasar Tradisional Kota Denpasar Tahun 2019. Jurnal Kesehatan Lingkungan, 9(2), 92–97.

Syukri, M. & Mukhaiyar, R. (2021). Alat Pendeteksi Formalin Pada Makanan Menggunakan IoT. Jurnal of
Multidicsiplinary Reasearh and Development. 3(2), 56–64.

Oheo, D. D. Tosepu, R. & Yasnani. (2020). Analisis Kadar Formalin Pada Ikan Asin Di Pasar Tradisional Kota
Kendari, Jurnal Kesehatan Lingkunagn UNIV . HALU OLEO. 1(2), 76–81.

Wijayanti, N. S. & Lukitasari, M. (2016). Analisis pengawetan makanan dan uji organoleptik ikan asin yang
beredar di pasar besar madiun. Jurnal Florea Volume, 3(1), 59–64.