Segmentasi Mata Ikan Bandeng dengan Klasifikasi

Segmentasi Mata Ikan Bandeng dengan Klasifikasi

Eko Prasetyo, R. Dimas Adityo, Rani Purbaningtyas

Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya

Jl. Ahmad Yani 114, Surabaya, Indonesia, 60231

e-mail address: [email protected], [email protected], [email protected]

Abstract— Detection of milkfish freshness without direct

contact based on eye appearance can be conducted using

digital image as the main media. Many objects that appear

on eye segmentation become a problem that have to be

solved using classification. To recognize eye fish objects in

digital images with classification, the authors use shapes and

colors features. The shape features used are: Circularity,

Major and Minor axis ratios, and Eccentricity. The color

features used are: average and standard deviation of gray

images in RGB color space. The authors use K-Nearest

Neighbor (K-NN) to classify segmented objects.

Segmentation testing is carried out on 38 images consisting

of 58% (20 images) as training images and 48% (18 images)

as test images. The results of segmentation testing show that

a combination of shape and color features can improve the

performance of segmentation with classifications where

Precision, Recall, and F are 49% 89%, and 63%

respectively. This result is better than using the shape and

color features only. For the shape features, system achieves

Precision, Recall, and F 35%, 50%, and 41% respectively,

while the color features achieve Precision, Recall, and F

23%, 56%, and 32% respectively.

Keywords- segmentation; milkfish; eye; classification;

shape features, color features

Abstrak- Deteksi kesegaran ikan bandeng tanpa kontak

langsung dengan berdasarkan tampilan mata dapat dilakukan

menggunakan citra digital sebagai media utama. Banyaknya

obyek yang muncul pada hasil segmentasi mata ikan menjadi

masalah yang harus diselesaikan menggunakan klasifikasi.

Untuk mengenali obyek mata ikan pada citra digital

menggunakan klasifikasi, penulis menggunakan fitur bentuk

dan warna. Fitur bentuk yang digunakan adalah: Circularity,

Rasio sumbu mayor dan minor, dan Eccentricity. Fitur warna

yang digunakan adalah: rerata dan standar deviasi citra abu-

abu pada ruang warna RGB. Penulis menggunakan K-

Nearest Neighbor (K-NN) untuk melakukan klasifikasi obyek

hasil segmentasi. Pengujian segmentasi dilakukan pada 38

citra dengan komposisi 58% (20 citra) sebagai citra latih dan

48% (18 citra) sebagai citra uji. Hasil pengujian segmentasi

menunjukkan bahwa gabungan fitur bentuk dan warna dapat

meningkatkan kinerja segmentasi dengan klasifikasi dimana

Precision, Recall, dan F masing-masing sebesar 49% 89%,

dan 63%. Hasil ini jauh lebih baik dibandingkan hanya

menggunakan fitur bentuk dan warna saja, dimana fitur

bentuk mencapai Precision, Recall, dan F masing-masing

sebesar 35%, 50%, dan 41%, sedangkan fitur warna mencapai

Precision, Recall, dan F masing-masing sebesar 23%, 56%,

dan 32%.

Kata Kunci- segmentasi, ikan bandeng, mata, klasifikasi,

fitur bentuk, fitur warna

I. PENDAHULUAN

Ikan berkualitas baik dan layak dikonsumsi adalah ikan segar, tidak terkecuali ikan bandeng. Data dari Kementrian Kelautan dan Perikanan menyebutkan produksi ikan bandeng tahun 2015 sebesar 672.20 ton atau sekitar 4.3% dari produksi ikan nasional [1]. Sayangnya, kebutuhan konsumsi yang tinggi ini dimanfaatkan oleh sejumlah pedagang curang yang menjual ikan tidak segar kepada masyarakat, termasuk ikan bandeng. Bagi orang yang sudah jeli mengenali kesegaran ikan bandeng tentu tidak menjadi masalah, tetapi bagi orang awam tentu menjadi masalah. Permasalahan deteksi kesegaran ikan bandeng ini dapat diselesaikan dengan dibuatnya aplikasi deteksi kesegaran ikan bandeng berdasarkan tampilan mata pada citra digital. Kelebihan citra digital sebagai sebagai basis pemeriksaan kesegaran ikan bandeng adalah tanpa harus kontak langsung [2]. Banyaknya obyek yang muncul pada hasil segmentasi mata ikan menjadi masalah yang harus diselesaikan menggunakan klasifikasi. Maka makalah penelitian ini memberikan fokus pada segmentasi mata ikan bandeng dimana obyek hasil segmentasi digunakan sebagai basis ekstraksi fitur.

Mata ikan bandeng berbentuk bulat ditutup oleh selaput bening, berwarna hitam dan dikelilingi oleh lingkaran berwarna putih. Ciri khas yang membedakan antara mata dengan bagian tubuh lainnya atau latar adalah bentuk bulat berwarna hitam, seperti di disajikan pada Gambar 1. Ikan segar memiliki ciri bola mata menonjol dan kornea jernih, sedangkan ikan tidak segar memiliki ciri bola mata cekung dan masuk kе dalam rongga mata. Hasil proses morfologi citra biner berupa sejumlah bentuk didalam citra, sehingga untuk menemukan obyek mata, penelitian membutuhkan pendekatan klasifikasi.

Gambar 1 Citra ikan bandeng

Umumnya, orang memandang kesegaran ikan hanya sebatas penampilan ketika dilihat, tetapi konsep kesegaran ikan menurut [3] ada delapan kriteria yang dapat

CITEE 2019 Yogyakarta, 24-25 Juli 2019 ISSN: 2085-6350

Departemen Teknik Elektro dan Teknologi Informasi, FT UGM 213

digunakan: penampilan luar, rasa enak, tingkat volatil senyawa rendah, level hidrolisis protein rendah, tidak ada oksidasi, tidak ada dekomposisi amines dan aldehids, jumlah mikroba kecil, dan sifat fisik baik. Deteksi kesegaran tanpa bersentuhan dengan tubuh ikan kini banyak dikembangkan. Media utama yang digunakan adalah citra digital ikan dimana bagian tubuh yang menjadi basis pemeriksaan harus melalui proses segmentasi. Penelitian deteksi kesegaran ikan berdasarkan hasil segmentasi bagian tubuh ikan seperti dilakukan oleh [4], dimana pengolahan citra dilakukan untuk mendapatkan bagian insang. Segmentasi dilakukan menggunakan metode clustering. Sedangkan fitur untuk deteksi kesegaran adalah transformasi wavelet menggunakan Haar filter. Hasil eksperimen menunjukkan bahwa pola variasi monotonik koefisien dekomposisi wavelet level tiga dan koefisien ini memberikan indikasi kualitas ikan. Penggunaan clustering untuk menyelesaikan segmentasi citra merupakan solusi yang kurang efisien karena mengolah banyak data sesuai jumlah piksel citra.

Pendekatan klasifikasi yang digunakan dalam penelitian bertujuan memilih obyek mata ikan hasil segmentasi. Maka pada setiap obyek yang terbentuk akan dibangkitkan fitur. Fitur yang digunakan adalah bentuk dan warna, sedangkan metode klasifikasi yang digunakan adalah K-Nearest Neighbor (K-NN) dengan jarak Euclidean. K-NN merupakan metode yang sederhana tetapi powerful untuk menyelesaikan masalah non-linear dan multi-kelas. Karena banyak obyek yang terbentuk dari proses segmentasi, maka penulis menggunakan metode Hold-out pada pengujian hasil segmentasi 38 citra. Dengan Hold-out, data dibagi dengan komposisi 52% dan 48%, dimana 58% (20 citra) digunakan sebagai citra latih, sedangkan 48% (18 citra) digunakan sebagai citra uji. Perbandingan obyek mata ikan terhadap obyek lain hasil segmentasi juga sangat tinggi, dimana dalam satu citra hanya terdapat satu obyek mata ikan sedangkan obyek selain mata ikan sangat banyak. Hal ini mengakibatkan penggunaan Akurasi sebagai evaluasi kinerja menjadi tidak tepat, sebagai pengganti, penulis menggunakan Precision, Recall, dan F. Evaluasi dilakukan secara menyeluruh pada semua citra uji.

II. TINJAUAN PUSTAKA

A. Ikan Bandeng

Ikan bandeng adalah ikan air payau yang banyak dibudidayakan di tambak tepi pantai. Ikan ini memiliki badan langsing yang mirip torpedo dengan sirip ekor bercabang, badan bersisik kecil-kecil yang rapat dan lembut berwaran putih hingga keperak-perakan, kepala kecil bentuknya mirip kepala ikan mas [5, 6] . Nama lain ikan bandeng adalah Chanos chanos, yang merupakan sejenis ikan air laut yang tersebar dari pantai Afrika Timur sampai kepulauan Timotu, sebelah timur Tahiti, dan dari selatan Jepang sampai Australia Utara [6].

Tubuhnya berbentuk memanjang, padat, pipih, dan oval. Perbandingan tinggi dengan panjang total sekitar 1 : (4.0-5.0). Sementara itu, perbandingan panjang kepala dengan panjang total adalah 1 : (5.2 – 5.5). Kepala tidak bersisik. Mulut terletak di ujung dan berukuran kecil. Rahangnya tanpa gigi. Mata tertutup oleh kulit bening (subcytuneus) [6].

Ikan bandeng memiliki rasa daging yang enak dan harga terjangkau. Khusus di daerah Jawa dan Sulawesi Selatan, ikan bandeng memiliki tingkat preferensi yang tinggi [6]. Dengan preferensi tinggi inilah, masyarakat harus jeli dalam memilih bandeng yang dijual dipasar. Bagi orang yang sudah mengetahui ciri ikan segar dan tidak segar tentu tidak menjadi masalah berarti. Tapi bagi orang yang tidak paham ciri ikan segar, tentu menghadapi kesulitan. Tingkat kesegaran adalah tolak ukur untuk membedakan ikan yang bermutu baik dan buruk. Ikan dikatakan masih segar jika perubahan-perubahan biokimia, mikrobiologi dan fisika yang terjadi belum menyebabkan perubahan-perubahan sifat ikan pada waktu masih hidup. Kesegaran ikan dapat digolongkan ke dalam 4 kelas mutu [7], yaitu: (1) Ikan yang kesegarannya masih baik sekali (prima); (2) Ikan yang kesegarannya masih baik (advance); (3) Ikan yang kesegarannya sudah mulai mundur (sedang); (4) Ikan yang sudah tidak segar lagi (busuk).

B. Penelitian Terkait Deteksi Kesegaran Ikan bandeng

Parameter-parameter untuk menentukan kesegaran ikan terdiri аtаѕ bеbеrара faktor уаіtu : fisikawi, kimiawi, mikrobiologi, sensorik/organoleptik. Pemeriksaan oleh empat metode tersebut mengharuskan kontak langsung atau bahkan merusak tubuh ikan, pendekatan ini disebut dengan destruktif. Pendekatan lain yang kini banyak dikembangkan adalah non-destruktif, dimana pemeriksaan dilakukan tanpa kontak langsung dengan tubuh ikan. Penelitian yang dilakukan [2] adalah deteksi kesegaran ikan bandeng berdasarkan warna pada spektrum RGB. Penelitian ini mencoba mendeteksi tingkat kesegaran ikan bandeng dengan sampel 10 ikan bandeng segar dan 10 ikan bandeng tidak segar. Dengan menggunakan metode Otsu thresholding pada nilai threshold 0.55, didapatkan akurasi deteksi 80%. Penelitian non-destruktif lainnya adalah [8] menggunakan metode akustik untuk menentukan kualitas kesegaran ikan dengan mengacu pada metode konvensional yang umum dilakukan selama ini, yaitu TVB (Total Volatile Base), TPC (Total Plate Count / jumlah koloni bakteri), pH dan organoleptik. Pengujian terhadap tingkat kesegaran ikan dengan penembakan pulsa suara terhadap ikan target. Pulsa yang dikirimkan melalui transduser berupa gelombang suara dengan perulangan setiap 0,1 detik. Jarak antara transduser dan target adalah 17 cm, jarak ini sudah berada di luar nearfield transduser tersebut. Pantulan yang diterima kemudian diproses oleh instrumen dan akan ditampilkan oleh display, dicatat sebagai data pengukuran. Variasi tingkat penerimaan pulsa berupa peak amplitudo terhadap perubahan kondisi ikan akan dijadikan dasar bagi penentuan tingkat kesegaran ikan. Pengujian dilakukan pada ikan patin selama 24 jam dengan berbagai perlakuan. Nilai indeks kategori segar dari data ikan patin berkisar antara 2,03-3,71 volt dan tidak segar berkisar antara 1,51-1,69 volt. Hasil yang diperoleh dari metode akustik tidak jauh beda dengan uji-uji yang menggunakan metode konvensional (TPC, TVB, pH dan organoleptik).

Pemeriksaan non-destrukif yang dilakukan pada citra digital dapat menjadi pertimbangan baik dari sisi ekonomis, praktis, dan berkualitas. Penelitian ini berfokus pada pemeriksaan tingkat kesegaran ikan bandeng pada citra digital berdasarkan mata ikan bandeng. Untuk

ISSN: 2085-6350 Yogyakarta, 24-25 Juli 2019 CITEE 2019

214 Departemen Teknik Elektro dan Teknologi Informasi, FT UGM

mendukung tujuan tersebut, makalah penelitian ini berfokus pada tahapan awal sistem dimana sistem harus melakukan deteksi lokasi mata ikan bandeng. Banyaknya obyek yang muncul sebagai hasil segmentasi menjadi masalah yang diselesaikan dengan mendeteksi obyek manakah yang merupakan mata ikan bandeng. Untuk itu, penulis menggunakan metode klasifikasi menggunakan fitur bentuk dan warna.

C. Fitur Bentuk dan Warna

Fitur bentuk menjadi bagian penting pada sistem dimana hasil pengolahan citra digunakan sebagai dasar untuk klasifikasi obyek. Tujuan utama adalah mendapat akurasi terbaik. Seperti yang dilakukan dalam penelitian [9], dengan menggunakan Otsu’s global thresholding, operasi morfologi dan transformasi watershed, penelitian ini berhasil melakukan deteksi awal kanker payudara dimana akurasi yang dicapai 98.9%. Pada bidang pertanian, fitur bentuk berupa Boundary Moment of Centroid Contour Distance digunakan untuk meningkatkan kinerja klasifikasi 3 jenis daun mangga, dimana akurasi yang dicapai 67.3% [10].

Secara umum, fitur bentuk berupa sejumlah nilai sebagai hasil kalkulasi untuk mendeskrisikan fitur bentuk [11]. Sebuah deskriptor berusaha untuk mengkuantisasi bentuk dengan beberapa nilai yang diekstrak dimana nilai tersebut sesuai dengan persepsi manusia. Kinerja klasifikasi atau retrieval yang baik dipengaruhi oleh deskriptor bentuk dimana secara efektif mendeskripsikan kemiripan persepsi bentuk dari sebuah database. Deskriptor bentuk harus memenuhi beberapa syarat sebagai berikut: (a) selengkap mungkin merepresentasikan informasi bentuk, (b) direpresentasikan dan disimpan secara compact, (c) sederhana dalam komputasi jarak diantara deskriptor.

Untuk kebutuhan syarat tersebut, penulis menggunakan fitur bentuk sebagai berikut: Circularity, Rasio sumbu mayor dan minor, dan Eccentricity. Circularity adalah rasio antara area bentuk terhadap area lingkaran dengan perimeter yang sama [11]. Eccentricity adalah rasio antara jarak foci ellipse terhadap sumbu mayor ellipse [12]. Sedangkan untuk mendeskripsikan fitur warna, penulis menggunakan fitur: rerata dan standar deviasi citra abu-abu pada ruang waran RGB.

III. METODOLOGI PENELITIAN

A. Kerangka Kerja Deteksi Kesegaran Ikan Bandeng

Kerangka kerja deteksi kesegaran ikan bandeng disajikan pada Gambar 2. Sistem terbagi menjadi 5 tahapan sebagai berikut:

1. Akuisisi citra dengan kamera ponsel

Pada tahap ini, dilakukan akusisi citra ikan bandeng menggunakan kamera ponsel Xiaomi Redmi 4 Pro dengan resolusi 4160 x 3120 piksel. Tidak ada alat khusus yang digunakan selama akuisisi. Akuisisi dilakukan pada jam 7.00, jam 19.00, jam 23.00, dan jam 5.00 besoknya. Pencahayaan pada pagi hari hanya mengandalkan cahaya pagi, sedangkan pada malam hari menggunakan cahaya lampu LED 20 watt. Pengkondisian sesuai dengan lingkungan nyata ini

bertujuan untuk menyesuaikan situasi dalam penelitian ini dengan pengujian nyata. Jarak kamera terhadap ponsel sekitar 30-40 cm dengan efek citra normal.

Selanjutnya, citra dilakukan cropping untuk mendapatkan bagian kepala ikan.

2. Preprocessing

Pada tahap ini, dilakukan perbaikan kualitas intensitas citra dengan penghalusan. Penulis menggunakan filter rata-rata dengan ukuran maks 3x3.

3. Segmentasi lingkaran mata ikan bandeng

Pada tahap ini dilakukan segmentasi untuk mendapatkan wilayah mata ikan bandeng. Segmentasi dilakukan menggunakan metode Otsu thresholding dan teknik morfologi [12] untuk mendapatkan bentuk yang optimal. Selanjutnya, obyek dalam citra biner yang dihasilkan diklasifikasi menggunakan metode K-Nearest Neighbor.

4. Ekstraksi fitur

Pada tahap ini dilakukan ekstraksi fitur warna dan tekstur pada semua obyek yang muncul sebagai hasil segmentasi. Fitur ini digunakan sebagai basis klasifikasi untuk menentukan tingkat kualitas kesegaran ikan bandeng. Ekstraksi fitur dilakukan pada 4 jenis tingkat kesegaran ikan.

5. Klasifikasi kesegaran ikan bandeng

Tahap ini merupakan tahap penentuan hasil dimana fitur hasil ekstrak diproses oleh model klasifikasi untuk mendapatkan informasi tingkat kesegaran ikan bandeng.

Gambar 2 Kerangka kerja deteksi kesegaran ikan bandeng

B. Segmentasi Mata Ikan Bandeng

Dalam penelitian ini penulis melakukan segmentasi mata ikan bandeng menggunakan teknik Otsu thresholding dan morfologi, selanjutnya dilakukan deteksi obyek dalam citra biner yang merupakan mata ikan bandeng. Prosedur segmentasi yang digunakan adalah sebagai berikut:

1. Konversi citra RGB ke L*a*b dan ekstrak komponen b



Berdasarkan pengamatan yang dilakukan penulis, komponen b dari ruang warna L*a*b memberikan informasi nilai intensitas yang cukup untuk memisahkan wilayah mata ikan dari bagian lain dalam citra. Maka, langkah pertama yang harus dilakukan adalah konversi citra dari ruang warna RGB ke ruang warna L*a*b. Selanjutnya, komponen b di ekstrak untuk dilakukan proses berikutnya.

2. Normalisasi intensitas citra b

Citra b adalah komponen b dari ruang warna L*a*b yang dihasilkan dari perbedaan kuning dan biru. Nilainya positif jika kuning berlebih, dan negatif jika biru berlebih. Karena rentang nilai mulai dari negative hingga positif, maka harus dilakukan normalisasi untuk mendapatkan rentang nilai 0 (hitam) hingga 1 (putih). Langkah ini penting agar proses perhitungan nilai Otsu threshold sesuai dengan standar citra abu-abu.

3. Inversi intensitas citra b

Intensitas citra b memberikan nilai 0 untuk putih dan 1 untuk hitam, sehingga harus dilakukan invers intensitas. Hasilnya, untuk putih diberi nilai 1 dan hitam diberi nilai 0.

4. Hitung Otsu threshold (T) citra b dan penyesuaian nilai T

Selanjutnya, dihitung Otsu threshold (T) untuk digunakan saat konversi ke biner. Dari hasil pengamatan penulis, nilai T harus ditambah untuk memberikan hasil konversi ke biner yang lebih baik. Penyesuaikan nilai T yang digunakan dalam penelitian ini adalah 32%.

5. Konversi citra b menjadi biner

Pada tahap ini, dilakukan konversi citra b menjadi biner menggunakan threshold (T) yang sudah dihitung sebelumnya.

6. Perbaikan morfologi dan pengisian lubang

Citra biner yang dihasilkan sebelumnya masih terdapat detail-detail kecil tepi obyek yang tidak diperlukan, terutama pada bagian mata ikan. Untuk memperbaikinya, perlu dilakukan penghalusan dengan teknik closing. Penulis menggunakan closing dengan strel berukuran kecil hingga besar yang dilakukan secara berurutan.

7. Ekstrasi fitur bentuk dan warna

Pada langkah ini, dilakukan ekstraksi fitur bentuk dan warna pada tiap obyek biner yang ditemukan. Fitur bentuk yang diekstrak adalah Circularity, Rasio sumbu mayor dan minor, dan Eccentricity. Fitur warna yang diekstrak adalah rata-rata dan standar deviasi citra abu-abu masing-masing obyek.

8. Klasifikasi obyek biner

Pada langkah ini, dilakukan klasifikasi menggunakan K-Nearest Neighbor (K-NN) menggunakan K=1 dimana obyek dengan kemiripan tertinggi yang dipilih sebagai hasil klasifikasi.

9. Menampilkan obyek mata ikan bandeng

Dari hasil klasifikasi, sistem akan menampilkan obyek yang dikenali sebagai mata ikan.

Gambar 3 Prosedur segmentasi mata ikan bandeng menggunakan

klasifikasi

IV. HASIL DAN PEMBAHASAN

A. Dataset yang digunakan

Penulis melakukan pengujian pada 38 citra ikan bandeng, dimana citra berisi hanya bagian kepala saja. Karena banyak obyek yang terbentuk dari proses segmentasi, maka penulis menggunakan metode Hold-out pada pengujian hasil segmentasi 38 citra. Dengan Hold-out, data dibagi dengan komposisi 52% dan 48%, dimana 58% (20 citra) digunakan sebagai citra latih, sedangkan 48% (18 citra) digunakan sebagai citra uji. Fitur yang digunakan dalam klasifikasi ada 6 fitur, terdiri dari 4 fitur bentuk dan 2 fitur warna. Untuk fitur bentuk, penulis menggunakan fitur: Circularity, Rasio sumbu mayor dan minor, dan Eccentricity. Sedangkan fitur warna yang digunakan adalah rerata dan standar deviasi citra abu-abu masing-masing obyek yang didapatkan.

Sedangkan spesifikasi komputer yang digunakan saat eksperimen adalah notebook dengan processor core i3, memori 4 GB, sedangkan sistem operasi yang digunakan adalah Windows 7. Perangkat lunak untuk simulasi adalah Matlab 2016a.

B. Hasil Pengujian

Penulis melakukan pengujian segmentasi dengan klasifikasi pada 18 citra uji. Pengujian dilakukan dengan membandingkan fitur bentuk, warna, dan kombinasi bentuk dan warna pada langkah klasifikasi K-NN. Hasil pengujian pada tiap citra disajikan pada Tabel I. Hasil pengujian untuk tiap pilihan fitur tersebut digolongkan menjadi TP (True Positive), FP (False Positive), dan TN (True Negative). TP adalah obyek mata ikan bandeng yang terdeteksi sebagai mata ikan bandeng, FP adalah obyek bukan mata ikan bandeng yang terdeteksi sebagai mata ikan bandeng, sedangkan TN adalah obyek mata ikan bandeng yang gagal dideteksi (terdeteksi sebagai bukan mata ikan bandeng).

Pada penggunaan fitur bentuk saja, jumlah TP hanya 9, hal ini berarti sistem hanya berhasil mendeteksi 9 citra mata ikan bandeng dari 18 citra mata ikan bandeng,



sedangkan FP dan TN masing-masing adalah 17 dan 9. Nilai FP = 17 menyatakan bahwa ada 17 obyek bukan mata ikan bandeng yang terdeteksi mata ikan bandeng, sedangkan TN=9 menyatakan bahwa ada 9 obyek mata ikan bandeng yang gagal terdeteksi. Penggunaan warna sebagai fitur untuk mendeteksi mata ikan bandeng menunjukkan hasil lebih baik, nilai TP = 10, FP = 34, dan TN = 8. Jumlah obyek mata ikan bandeng yang terdeteksi sebagai mata ikan ikan bandeng semakin banyak sedangkan obyek-obyek yang gagal deteksi semakin

sedikit. Gabungan bentuk dan warna sebagai fitur deteksi mata ikan bandeng menunjukkan hasil lebih baik daripada hanya menggunakan fitur bentuk atau warna saja. Seperti hasil pada Tabel I, TP = 16, FP = 17, dan TN = 2. Jumlah obyek mata ikan bandeng yang berhasil dideteksi adalah 16 dari 18 citra, sedangkan obyek bukan mata ikan bandeng yang terdeteksi mata ikan bandeng ada 17, sedangkan obyek mata ikan bandeng yang gagal terdeteksi ada 2.

TABEL I. HASIL SEGMENTASI DENGAN KLASIFIKASI MENGGUNAKAN FITUR BENTUK DAN WARNA

No. Nama Sampel Bentuk dan warna Bentuk Warna

TP FP TN TP FP TN TP FP TN

1 Ikan bandeng 1 jam, sampel 06 1 0 0 0 0 1 1 0 0


















Jumlah 16 17 2 9 17 9 10 34 8

Hasil tersebut selanjutnya disajikan menjadi kinerja Precision, Recall, dan F, seperti disajikan pada Tabel II. Precision adalah prosentase mata ikan bandeng yang terdeteksi dari sejumlah obyek yang terdeteksi sebagai mata ikan bandeng. Sedangkan Recall adalah prosentase mata ikan bandeng yang berhasil dideteksi. Dari Tabel II dapat diamati bahwa gabungan fitur bentuk dan warna mendapatkan kinerja Precision paling baik sebesar 49% daripada fitur bentuk atau warna saja, dimana masing-masing mempunyai Precision sebesar 35% dan 23%. Kinerja Precision 49% ini sebenarnya juga kurang baik karena berarti ada 51% obyek bukan mata ikan bandeng yang ikut terdeteksi. Sedangkan kinerja Recall terbaik juga dicapai oleh gabungan fitur bentuk dan warna dimana nilai Recall sebesar 89%, hal ini menandakan tingginya keberhasilan obyek mata ikan bandeng yang

terdeteksi. Nilai kinerja ini jauh lebih baik dibanding Recall yang diraih oleh fitur bentuk atau warna saja dimana masing-masing meraih Recall 50% dan 56%. Akumulasi kinerja dapat dilihat pada nilai F sebagai gabungan nilai kinerja Precision dan Recall, dimana nilai kinerja F untuk gabungan fitur bentuk dan warna adalah 63%, sedangkan fitur bentuk dan warna saja masing-masing sebesar 41% dan 32%.

TABEL II. KINERJA SEGMENTASI DENGAN KLASIFIKASI

Fitur Precision Recall F

Bentuk 35% 50% 41%

Warna 23% 56% 32%

Bentuk dan Warna 49% 89% 63%



Penulis juga menyajikan citra hasil segmentasi pada pengujian tersebut seperti pada Gambar 4. Gambar 4(a), (d), dan (g) adalah citra asli kepala ikan bandeng, Gambar 4(b), (e), dan (h) adalah hasil segmentasi menggunakan prosedur segmentasi yang disajikan dalam penelitian ini, sedangkan Gambar 4(c), (f), dan (i) adalah obyek yang terdeteksi sebagai mata ikan bandeng menggunakan fitur bentuk dan warna. Pada Gambar 4(c) dapat dilihat bahwa

obyek mata ikan bandeng berhasil dideteksi oleh sistem sedangkan obyek lainya tidak terdeteksi sebagai mata ikan bandeng. Berbeda hasil pada Gambar 4(f) dimana selain obyek mata ikan bandeng berhasil dideteksi, ada obyek lain bukan mata ikan bandeng yang ikut terdeteksi, hal ini terjadi kemungkinan karena nilai fitur bentuk atau warna sangat mirip dengan sifat mata ikan bandeng. Berbeda pula pada Gambar 4(h) dimana obyek mata ikan bandeng gagal terdeteksi, hal ini mungkin disebabkan kurangnya data latih yang digunakan sebagai basis untuk deteksi.

a. Ikan bandeng 1 jam, sampel 06 b. Obyek yang terdeteksi dari citra a c. Obyek yang terdeteksi sebagai

mata ikan dari citra b

d. Ikan bandeng 1 jam, sampel 08 e. Obyek yang terdeteksi dari citra d f. Obyek yang terdeteksi sebagai

mata ikan dari citra e

g. Ikan bandeng 22 jam, sampel 07 h. Obyek yang terdeteksi dari citra g i. Obyek yang terdeteksi sebagai

mata ikan dari citra h

Gambar 4 Hasil segmentasi citra dengan klasifikasi K-Nearest Neighbor

Secara umum, kinerja sistem segmentasi mata ikan bandeng mempunyai kinerja baik ketika menggunakan gabungan fitur bentuk dan warna. Hal ini karena sifat

bentuk dan warna saling melengkapi untuk memberikan hasil deteksi yang lebih baik. Nilai Precision dan Recall yang didapat masing-masing adalah 49% dan 89%,



dimana kinerja F menjadi 63%. Fitur bentuk saja atau warna saja tidak dapat memberikan kinerja yang baik dimana untuk fitur bentuk didapat Precision, Recall, dan F masing-masing adalah 35%, 50%, dan 41%. Sedangkan fitur warna saja hanya memberikan kinerja Precision, Recall dan F adalah 23%, 56%, dan 32%. Maka dapat disimpulkan bahwa gabungan fitur bentuk dan warna dapat meningkatkan kinerja segmentasi dengan klasifikasi.

V. KESIMPULAN DAN SARAN

Simpulan yang didapatkan dari hasil penelitian ini adalah gabungan fitur bentuk dan warna dapat meningkatkan kinerja segmentasi dengan klasifikasi dimana Precision dan Recall masing-masing sebesar 49% dan 89%, dimana kinerja F menjadi 63% Hasil ini jauh lebih baik dibandingkan hanya menggunakan fitur bentuk dan warna saja. Saran penelitian berikutnya adalah peningkatan kinerja segmentasi baik menggunakan fitur bentuk lainnya atau tahapan lanjutan untuk menyisihkan obyek bukan mata ikan bandeng yang terdeteksi sebagai mata ikan bandeng.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih pada Direktorat Riset dan Pengabdian Masyarakat (DRPM) DIKTI yang memberikan pendanaan penelitian pada skim Penelitian Dasar tahun anggaran 2019 pada peneliti di Universitas Bhayangkara Surabaya dengan nomor kontrak: 008/SP2H/LT/MULTI/L7/2019 tanggal 26 Maret 2019, dan 170/LPPM/IV/2019/UB tanggal 4 April 2019.

DAFTAR PUSTAKA

[1] K. K. d. Perikanan, "Produktivitas Perikanan Indonesia Pada: Forum Merdeka Barant 9 Kementrian Komunikasi dan Informatika," ed. Jakarta, 2018.

[2] I. Indrabayu, Niswar, M., Aman, A., "Sistem Pendeteksi Kesegaran Ikan Bandeng Menggunakan Citra," Jurnal Infotel, vol. 8, 2016.

[3] M. Dowlati, Mohtasebi, S.S., de la Guardia, M., "Application of machine-visiontechniques to fish-qualityassessment," Trends in Analytical Chemistry, vol. 40, pp. 168-179, 2012.

[4] M. K. Duttaa, Issaca, A, Minhasa, N, Sarkar, B., "Image processing based method to assessfish quality and freshness," Journal of Food Engineering, vol. 177, pp. 50-58.

[5] B. Cahyono, Budidaya Ikan Bandeng Tambak Payau dan Tambak Sawah. Jakarta: Pustaka Mina, 2011.

[6] T. K. T. Mandiri, Pedoman Budidaya Beternak Ikan Bandeng. Bandung: Nuansa Aulia, 2010.

[7] G. A. Suryawan, "Karakteristik perubahan mutu ikan selama penanganan oleh nelayan tradisional dengan jaring rampus (Studi Kasus di Kaliadem, Muara Angke, DKI Jakarta)," Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor, Bogor, 2004.

[8] I. Jaya, Ramadhan, D.K., "Aplikasi Metode Akustik untuk Uji Kesegaran Ikan," Buletin Teknologi Hasil Perikanan, vol. IX, 2006.

[9] S. Thawkar, and Ingolikar, R., "Automatic Detection and Classification of Masses in Digital Mammograms," International Journal of Intelligent Engineering and Systems (IJIES), vol. 10, pp. 65-74, 2017.

[10] E. Prasetyo, Adityo, R.D., Suciati, N., and Fatichah, C., "Mango Leaf Classification with Boundary Moments of Centroid Contour Distances as Shape Features," in International Seminar on Intelligent Technology and Its Applications (ISITIA), Bali, 2018.

[11] M. Yang, Kpalma, K., and Ronsin, J., "A Survey of Shape Feature Extraction Techniques," Pattern Recognition, IN-TECH, pp. 43-90, 2008.

[12] R. C. Gonzalez, Wood, R.E., Digital Image Processing Pearson Prentice Hall, 2008.



Segmentasi Mata Ikan Bandeng dengan Klasifikasi

Documents

Transcript of Segmentasi Mata Ikan Bandeng dengan Klasifikasi