Pengolahan Citra untuk menentukan Kesegaran Pada Ikan

1. Menggunakan Metode NN (Neares Neighbor)

Penelitian ini mengguanakan suatu algoritma dari metode NN (Neares
Neighbor), karena lebih mudah untuk dipahami dibandingkan dengan metode
yang lainnya. Dalam penelitian ini juga perlu dipertimbangkan tentang cara
pengambilan gambar, pengambilan contoh beberapa macam insang dari jenis
ikan yang berbeda untuk proses pelatihan.
 Kelebihan
a. Sangat Non-Liniear
Metode ini merupakan salah satu algoritma (model)
pembelajaran mesin yang bersifat non-parametrik, yaitu model yang
tidak mengasumsikan apa-apa mengenai distribusi instance di
dalam dataset. Model non-parametrik biasanya lebih sulit
diinterpretasikan, namun salah satu kelebihannya adalah garis
keputusan kelas yang dihasilkan model tersebut bisa jadi sangat
fleksibel dan non-linear.
b. Mudah diPahami dan diImplementasikan
Dari paparan yang diberikan dan penjelasan cara menghitung
jarak dalam artikel ini, cukup jelas bahwa algoritma NN mudah
dipahami dan juga mudah dimplementasikan. Untuk mengklasifikasi
instance x menggunakan NN, kita cukup mendefinisikan fungsi untuk
menghitung jarak antar-instance, menghitung jarak x dengan
semua instance lainnya berdasarkan fungsi tersebut, dan menentukan
kelas x sebagai kelas yang paling banyak muncul
dalam k instance terdekat
c. Memiliki Konsisten yang kuat
Ketika jumlah data mendekati tak hingga, algoritma ini
menjamin error rate yang tidak lebih dari dua kali Bayes error
rate (error rate minimum untuk distribusi data tertentu). Jika tidak ada
noise, maka Bayesian error rate = 0.

 Kekurangan
a. KNN perlu menentukan nilai dari parameter K (jumlah dari tetangga
terdekat)
 b. Pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang
harus digunakan dan atribut mana yang harus digunakan untuk
mendapatkan hasil yang terbaik
c. Biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari
tiap sample uji pada keseluruhan sample latih
 Kesimpulan
a. Penelitian ini telah berhasil melakukan proses pelatihan dan pengenalan
jenis kesegaran ikan melalui insang dengan menggunakan metode Nereast
Neighbor.
b. Pada penelitian ini berhasil melakukan pengelompokan jenis kesegaran
ikan menurt berapa hari kesegaran.
c. Pada penelitian ini juga berhasil melakukan proses deteksi objek dan
melakukan proses cropping pada objek insang ikan yang diinginkan dari 2
jenis ikan air tawar.

2. Menggunakan Metode Transformasi Wavelet Diskrit

Penelitian yang dilakukan oleh Kishore Dutta ini menggunakan
metode transformasi wavelet diskrit untuk mengetahui tingkat kesegaran ikan
1. Transformasi wavelet diskrit merupakan proses dekomposisi citra
pada level dekomposisi tertentu, dimana pada setiap level
dekomposisi dilakukan proses melewatkan sinyal frekuensi tinggi
(highpass filter) dan frekuensi rendah (lowpass filter). Setelah itu
dilakukan proses subband, dimana mengambil sample dari
setengah keluaran pada masing-masing filter tersebut. Selain itu,
penelitian yang dilakukan Dong Jingwei , Wei Xiaowei, Li Huile ,
Li Juyan menggunakan transformasi wavelet untuk pengolahan
citra pada sistem radar
2. Ada juga penelitian oleh Da-Zeng Tian ; Ming-Hu Ha yang
menggunakan metode transformasi wavelet pada sistem kesehatan
3. Dari penelitian-penelitian diatas dapat disimpulkan bahwa
transformasi wavelet sangat baik untuk melakukan pendeteksian
citra.

Wavelet merupakan alat analisis yang biasa digunakan untuk menyajikan data
atau fungsi atau operator ke dalam komponen-komponen frekuensi yang berlainan,
dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan
skalanya. (Daubechies, 1995). Menurut Sydney (1998), Wavelet merupakan
gelombang mini (small wave) yang mempunyai kemampuan mengelompokkan energi
citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok
koefisien lainnya hanya mengan-dung sedikit energi yang dapat dihilangkan tanpa
mengurangi nilai informasinya. Wavelet merupakan keluarga fungsi yang dihasilkan
oleh wavelet basis ψ(x) disebut mother wavelet.

 Kelebihan
a. Waktu kompleksitasnya bersifat linear. Transformasi wavelet dapat
dilakukan dengan sempurna dengan waktu yang bersifat linear.
b. Koefisien-koefisien wavelet yang terpilih bersifat jarang. Secara praktis,
koefisien-koefisien wavelet kebanyakan bernilai kecil atau nol. Kondisi ini
sangat memberikan keuntungan terutama dalam bidang kompresi atau
pemampatan data.
c. Wavelet dapat beradaptasi pada berbagai jenis fungsi, seperti fungsi tidak
kontinyu, dan fungsi yang didefinisikan pada domain yang dibatasi.
 Kesimpulan
Berdasarkan analisa dari hasil identifikasi tingkat kesegaran ikan dengan
metode wavelet ini, penulis dapat menarik kesimpulan sebagai berikut :
1. Tugas akhir ini telah berhasil melakukan identifikasi kesegaran ikan
dengan menggunakan metode wavelet dengan tahapan segmentasi
Image ikan dengan metode KMeans Clustering, kemudian
mentranformasikan kedalam DWT, dan kemudian mengambil
parameter identifikasi dari hasil transformasi tersebut.
2. Pada tugas akhir ini sistem berhasil mengidentifikasi image pada
sampel 1 sampai 5 sebagai ikan dengan kategori ikan yang masih
‘segar’ dan sampel 6 sampai 9 sebagai ikan dengan kategori ikan yang
‘tidak segar’ Berdasarkan hasil yang dicapai pada penelitian ini, ada
beberapa hal yang penulis sarankan untuk pengembangan selanjutnya
yaitu:
a) Pada penelitian ini penulis hanya menggunakan metode DWT
dengan filter Haar. Penulis menyarankan untuk menggunakan
Wavelet Symlet, Wavelet Daubechies, atau Wavelet Coifflet
sebagai perbandingan.
b) Pada tugas akhir ini penulis menjadikan insang ikan sebagai
obyek penelitian untuk menentukan tingkat kesegaran ikan.
Penulis menyarankan untuk menggunakan obyek lain seperti
warna mata ikan, ataupun tingkat kekenyalan daging ikan.