identifikasi ikan maskoki menggunakan ekstraksi fitur ...digilib.unila.ac.id/55217/2/skripsi tanpa...
Post on 03-Nov-2020
5 Views
Preview:
TRANSCRIPT
1
IDENTIFIKASI IKAN MASKOKI MENGGUNAKAN
EKSTRAKSI FITUR DETEKSI TEPI (EDGE DETECTION) DAN
KLASIFIKASI PROBABILITY NEURAL NETWORK (PNN)
SKRIPSI
Oleh:
MARIA KRISTIANI BR. SILALAHI
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2018
i
ABSTRACT
GOLDFISH IDENTIFICATION USING CANY EDGE DETECTION FOR
FEATURE EXTRACTION AND PROBABILITY NEURAL NETWORK
(PNN) FOR CLASSIFICATION
Oleh
MARIA KRISTIANI BR. SILALAHI
Goldfish (Carrasius Auratus) is one of freshwater ornamental fish that has various
species and uniqueness of body shape and color. Some goldfish species has similar
morphology so that the goldfish enthusiasts and those who have no experience in
the field of marine biology and fisheries are difficult to identify. The species used
in this study were Fantail, Oranda, and Ranchu. The feature extraction process used
Canny Edge Detection to produce edges of the object image. The datasets were 225
images of goldfish. Distribution of datasets using 5-fold cross validation with 180
images data training and 45 images data testing. The PNN classification was using
smoothing values (σ) = 1.5. The biggest accuracy was obtained in the 5th fold of
99.11%.
Keywords: Goldfish Identification, Canny Edge Detection, Probability Neural
Network, Image Processing.
i
ABSTRAK
IDENTIFIKASI IKAN MASKOKI MENGGUNAKAN
EKSTRAKSI FITUR DETEKSI TEPI (EDGE DETECTION) DAN
KLASIFIKASI PROBABILITY NEURAL NETWORK (PNN)
Oleh
MARIA KRISTIANI BR. SILALAHI
Maskoki (Carassius Auratus) adalah salah satu jenis ikan hias air tawar yang
memiliki beragam spesies dan mempunyai keunikan pada bentuk tubuh dan
warnanya. Beberapa spesies ikan maskoki memiliki morfologi yang hampir serupa
sehingga penggemar ikan maskoki dan pihak yang belum berpengalaman di bidang
biologi kelautan dan perikanan sulit untuk mengidentifikasinya. Spesies yang
digunakan dalam penelitian ini yaitu Fantail, Oranda, dan Ranchu. Proses ekstraksi
fitur menggunakan Deteksi Tepi Canny (Canny Edge Detection) untuk
menghasilkan tepi-tepi dari obyek citra. Dataset yang digunakan berjumlah 225
citra ikan maskoki. Pembagian dataset menggunakan 5-fold cross validation
dengan data latih berjumlah 180 citra dan data uji berjumlah 45 citra. Klasifikasi
PNN dilakukan menggunakan nilai penghalus (σ) = 1.5. Akurasi terbesar diperoleh
pada fold ke-5 sebesar 99.11%.
Kata Kunci : Identifikasi Ikan Maskoki, Deteksi Tepi Canny, Probability Neural
Network, Pengolahan Citra.
.
i
IDENTIFIKASI IKAN MASKOKI MENGGUNAKAN
EKSTRAKSI FITUR DETEKSI TEPI (EDGE DETECTION) DAN
KLASIFIKASI PROBABILITY NEURAL NETWORK (PNN)
Oleh:
MARIA KRISTIANI BR. SILALAHI
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
SARJANA KOMPUTER
Pada
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2018
:i ii ..
, i rif'1i
Vunta llenlng qtre, DLIIom..,,,, r fiIK?5tr 7:OAb$'Ol8p12O,.:,i,:,
: l'l-Dr. Ir. Kurnla ltlutudfl, FI.S.Sc.
i,,,NI'p- 19#9, 910 r98e,p?, r @t
:. rl'.:.',,, l: -i
,t:..: :
I t': 1
.:",
.'llll:
:- I ,it.jj
Ketua
..',ii:,r ,''r*,: ''! lll
, t', ; I :' ''
:,i 1 r-::l
Alam
. . ; 1,'l ::
,-.:::l'
PER}IYATAAII
Saya yang bertanda tangan di bawah ini, menyatakan bahwa skripsi saya yang
berjudul "Identifikasi Ikan Maskoki Menggunakan Ekstraksi Fitur Deteksi Tepi
(Edge Daeaion) Dan Klasifikasi Probability Neural Networlc (PNN)- merupakan
lsarya saya sendiri- dan bukan karya orang lain. Semua tulisan yang terhrang di
slcripsi ini telah mengikuti kaidah penulisan karya ilmiah Univeristas Lampung.
Apabila dikemudian hari terbukti slaipsi saya merupakan hasil penjiplakan atau
dibuat orang lain, maka saya bersedia me,nerima sanksi berupa pencabutan gelar
yang telahsaya terima.
Bandarlampung, 27 Desember 20 I 8
MARIA KRISTIAM BR. SILALAHI
NPM. 1417051088
-*
vii
RIWAYAT HIDUP
Penulis dilahirkan pada 06 Desember 1996 di Bandar Lampung
sebagai anak kedua dari tiga bersaudara dengan Ayah bernama F.
Jori Silalahi dan Ibu Purnama Gultom.
Penulis menyelesaikan Pendidikan formal pertama kali di Taman
Kanak-kanak Dharma Wanita Unila pada tahun 2002, kemudian melanjutkan
Pendidikan dasar di SD Negeri 1 Raja Basa Raya pada tahun 2008. Sekolah
Menengah Pertama (SMP) diselesaikan di SMP Negeri 20 Bandar Lampung pada
tahun 2011. Penulis melanjutkan Pendidikan kejenjang Sekolah Menengah Atas
(SMA) di SMA Negeri 5 Bandar Lampung yang diselesaikan penulis pada tahun
2014.
Pada tahun 2014 penulis terdaftar sebagai mahasiswa Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Semasa
kuliah, penulis terdaftar dalam organisasi HIMAKOM (Himpunan Mahasiswa Ilmu
Komputer) sebagai anggota Media Informasi periode 2015/2016.
Selama menjadi mahasiswa beberapa kegiatan yang dilakukan penulis antara lain :
1. Pada bulan Januari tahun 2015 penulis melaksanakan Karya Wisata Ilmiah
(KWI) di Desa Sidokaton Gisting, Kabupaten Tanggamus.
viii
2. Pada Bulan Januari tahun 2017 penulis melakukan Kuliah Kerja Nyata (KKN)
di Desa Purnama Tunggal Kecamatan Way Pengubuan Kabupaten Lampung
Tengah.
3. Pada Bulan Juli 2017 penulis melakukan kerja praktik di Badan Pengelola
Pajak Retribusi Daerah Kota Bandar Lampung.
i
PERSEMBAHAN
Puji syukur kepada Tuhan Yesus Kristus atas berkat dan kasih karunia-Nya
yang telah memberikan keyakinan serta kekuatan dalam setiap urusan dan
langkahku, kesehatan dan kesabaran serta keyakinan untuk ku dalam
menyelesaikan skripsi ini.
aku persembahkan karya kecil ku ini untuk:
kedua Orang Tua ku, abang dan adik ku serta keluarga besar ku
yang telah menjadi penyemangat ku serta motivasi dan inspirasi yang selalu
memberikan doa untuk ku.
Seluruh dosen-dosen ku, terkhusus dosen pembimbing ku
yang tak pernah lelah dan dengan sabar selalu memberikan motivasi serta
bimbingan kepada ku.
Untuk sahabat-sahabat seperjuangan ku, yang telah memberikan cerita,
dukungan serta kebahagiaan disetiap hariku. Selalu bersyukur dikelilingi dan
mememiliki orang-orang yang baik seperti kalian.
Aku selalu berusaha dan berdoa untuk mencapai titik kesuksesan, dan
menjadikannya suatu pembelajaran hingga aku berhasil. Terimakasih semuanya.
i
MOTTO
“Karena itu rendahkanlah dirimu di bawah tangan Tuhan
yang kuat, supaya kamu ditinggikan-Nya pada waktunya.
Serahkanlah segala kekuatiranmu kepada-Nya, sebab Ia
yang memelihara kamu.”
[1 Petrus 5:6-7]
“Diberkatilah orang yang mengandalkan TUHAN, yang
menaruh harapannya pada TUHAN!”
[Yeremia 17:7]
“Karena masa depan sungguh ada, dan harapanmu tidak
akan hilang.”
[Amsal 23:18]
xi
SANWACANA
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan kasih karunia-Nya
sehingga penulis dapat menyelesaikan penulisan skripsi yang berjudul “Identifikasi
Ikan Maskoki Menggunakan Ekstraksi Fitur Deteksi Tepi (Edge Detection) Dan
Klasifikasi Probability Neural Network (PNN)”. Skripsi ini disusun sebagai syarat
untuk memperoleh gelar Sarjana Komputer di Jurusan Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
Proses penulisan skripsi ini tidak akan berjalan lancar jika tanpa ada pihak yang
membantu. Oleh karena itu penulis mengucapkan terima kasih kepada :
1. Kedua Orang Tua tercinta, Mama Purnama Gultom dan Bapak F. Jori Silalahi
yang selalu mendoakan, memberikan dukungan dan semangat serta membantu
dalam bentuk moril maupun materil.
2. Bapak Aristoteles, S.Si., M.Si. sebagai Pembimbing I yang telah memberikan
motivasi, candaan, semangat serta bimbingan sehingga penulisan skripsi ini
dapat diselesaikan.
3. Ibu Yunda Heningtyas, M.Kom. sebagai Pembimbing II yang telah
memberikan motivasi, saran, serta bimbingan sehingga penulis dapat
menyelesaikan skripsi ini.
xii
4. Bapak Dr. Eng. Admi Syarif. selaku Penguji skripsi. Terima kasih atas
masukan, saran, serta bimbingan dalam penyelesaian skripsi ini.
5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D. selaku Dekan FMIPA Universitas
Lampung.
6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc. selaku Ketua Jurusan Ilmu Komputer
dan Pembimbing Akademik selama penulis terdaftar sebagai mahasiswa Ilmu
Komputer Universitas Lampung.
7. Bapak Didik Kurniawan, S.Si., M.T. selaku Sekretaris Jurusan Ilmu Komputer,
Fakultas MIPA, Universitas Lampung.
8. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan ilmu dan
pengalaman yang bermanfaat bagi penulis.
9. Para saudara kandung, Chandra Silalahi, Jonatan Silalahi.
10. Para sahabat terbaik, Akbar Rismawan Tanjung, Alfpinka Mutia Rahmanita,
M. Juandika Rizky, M Doni Syahtria, Muhammad Nur Falah, Muhammad
Thomi Fadholi, Rahmat Purnama, Rama Bayu Nugraha, Reny Rosa Enjelica,
Sunita Agustina, Widyan Hasbi Pranata terima kasih atas bantuan, dukungan
dan motivasinya.
11. Para tim gaor HKI, Kiki dan Maya Pasaribu, Irvan Sijabat, Ricky dan Aldo
Simamora, Nuel dan Tian Pakpahan yang telah memberikan semangat dan doa
kepada penulis.
12. Seluruh teman-teman Ilmu Komputer 2014 Universitas Lampung.
13. Almamater tercinta, Universitas Lampung.
xiii
Penulis menyadari bahwa dalam penyusunan skripsi ini masih banyak kekurangan
dan masih jauh dari kesempurnaan. Namun besar harapan penulis semoga skripsi
ini bermanfaat bagi perkembangan ilmu pengetahuan terutama teman-teman Ilmu
Komputer serta semua pihak yang membaca
Bandar Lampung, Desember 2018
Maria Kristiani Br. Silalahi
xiv
DAFTAR ISI
Halaman
DAFTAR ISI ....................................................................................................... xiv
DAFTAR TABEL ............................................................................................. xvii
DAFTAR GAMBAR ........................................................................................ xviii
I. PENDAHULUAN .......................................................................................... 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Rumusan Masalah .................................................................................... 5
1.3. Batasan Masalah ....................................................................................... 5
1.4. Tujuan Penelitian ...................................................................................... 5
1.5. Manfaat Penelitian .................................................................................... 5
II. TINJAUAN PUSTAKA ................................................................................. 6
2.1. Ikan Maskoki ............................................................................................ 6
2.1.1. Morfologi Ikan Maskoki ............................................................ 7
2.1.2. Fantail ...................................................................................... 10
2.1.3. Oranda ..................................................................................... 11
2.1.4. Ranchu ..................................................................................... 11
2.2. Citra Digital ............................................................................................ 12
2.2.1. Jenis Citra Digital .................................................................... 13
2.2.2. Elemen Citra Digital ................................................................ 14
2.3. Pengolahan Citra Digital ........................................................................ 15
xv
2.4. Deteksi Tepi ........................................................................................... 16
2.5. Operator Canny ...................................................................................... 18
2.6. Otsu Tresholding .................................................................................... 22
2.7. K-Fold Cross Validation ........................................................................ 22
2.8. Probabilistic Neural Network (PNN) ..................................................... 23
III. METODE PENELITIAN ............................................................................ 26
3.1 Waktu dan Tempat Penelitian ................................................................ 26
3.2 Spesifikasi Alat dan Penelitian ............................................................... 26
3.2.1 Perangkat Lunak ............................................................................ 26
3.2.2 Perangkat Keras ............................................................................. 26
3.3 Sumber Data ........................................................................................... 27
3.3.1. Data Primer .............................................................................. 27
3.3.2. Data Sekunder .......................................................................... 28
3.4 Tahapan Penelitian ................................................................................. 28
3.4.1. Citra Ikan Maskoki .................................................................. 29
3.4.2. Akuisisi Citra ........................................................................... 29
3.4.3. Preprocessing .......................................................................... 30
3.4.4. Ekstraksi Fitur .......................................................................... 30
3.4.5. Pembagian Data ....................................................................... 31
3.4.6. Klasifikasi ................................................................................ 32
3.4.7. Evaluasi .................................................................................... 33
IV. HASIL DAN PEMBAHASAN .................................................................... 34
4.1. Akuisisi Citra .......................................................................................... 34
4.2. Preprocessing ......................................................................................... 34
xvi
4.3. Ekstraksi Fitur ........................................................................................ 36
4.4. Pembagian Data ...................................................................................... 41
4.5. Klasifikasi dan Evaluasi ......................................................................... 44
4.6. Pembahasan Hasil Diskusi ..................................................................... 47
V. KESIMPULAN ............................................................................................ 50
5.1. Kesimpulan ............................................................................................. 50
5.2. Saran ....................................................................................................... 50
DAFTAR PUSTAKA .......................................................................................... 51
LAMPIRAN
xvii
DAFTAR TABEL
Tabel Halaman
1.1. Data Statistik Budidaya Perikanan ................................................................... 2
3.1. Skenario Pembagian Data .............................................................................. 32
4.1. Contoh Hasil Preprocessing. ......................................................................... 34
4.2. Hasil Klasifikasi setiap fold. .......................................................................... 44
xviii
DAFTAR GAMBAR
Gambar Halaman
2.1. Taksonomi Ikan Maskoki Bachtiar (2005) ...................................................... 7
2.2. Bentuk Luar Tubuh Ikan Maskoki (Bachtiar, 2005). ....................................... 8
2.3. Variasi Bentuk Mata Mas Koki........................................................................ 9
2.4. Beberapa vasiasi sirip ikan maskoki ................................................................ 9
2.5. Ikan Maskoki Fantail ..................................................................................... 10
2.6. Ikan Maskoki Oranda .................................................................................... 11
2.7. Ikan Maskoki Ranchu .................................................................................... 12
2.8. Proses Pengolahan Citra (Sutoyo et al, 2009). ............................................... 15
2.9. Proses Deteksi Tepi (Sutoyo et al, 2009). ...................................................... 17
2.10. Model Tepi (Putra, 2010). ............................................................................ 17
2.11. Jenis-jenis Tepi Citra (Putra, 2010). ............................................................ 18
2.12. Gaussian Filter dengan =1.4 (Green, 2002) .............................................. 20
2.13. Matrik Pixel Berukuran 5x5 (Green, 2002) ................................................. 20
2.14. Area Mengkonversi Arah Tepi (Green, 2002) ............................................. 21
2.15. Hasil Deteksi Tepi Menggunakan Operator Canny ..................................... 22
2.16. Struktur PNN (Herdiyeni dan Wahyuni, 2012)............................................ 24
3.1. Tahapan Penelitian ......................................................................................... 28
3.2. Contoh Citra Ikan Maskoki Jenis Fantail ...................................................... 29
3.3. Contoh Citra Ikan Maskoki Jenis Oranda ..................................................... 29
xix
3.4. Contoh Citra Ikan Maskoki Jenis Ranchu ...................................................... 29
3.5. Tranformasi Citra RGB menjadi citra grayscale. .......................................... 30
4.1. Contoh hasil akuisisi citra .............................................................................. 34
4.2. Tahapan Algoritma Canny (Pitas, 1993). ....................................................... 36
4.3. Zero-mean 5x5 Gaussian Kernel dengan sigma=1. ....................................... 37
4.4. Hasil gaussian filter. ...................................................................................... 37
4.5. (a) Hasil perhitungan gradien, (b) hasil arah tepi .......................................... 39
4.6. Hasil nonmaksimum suppression. .................................................................. 40
4.7. Hasil deteksi tepi canny. ................................................................................ 41
4.8. Grafik Hasil Evaluasi Identifikasi Ikan Maskoki ........................................... 47
4.9. Salah klasifikasi citra ikan maskoki. .............................................................. 48
4.10. Grafik hasil ekstraksi fitur. ........................................................................... 49
1
I. PENDAHULUAN
1.1. Latar Belakang
Pisces adalah sebutan umum yang dipakai untuk ikan atau sebagai nama super
kelas. Nama ini diambil dari kata latin “ichtyes” juga berarti “ikan” berasal dari kata
yunani dan kata ini dipakai dalam “ichytology” yaitu ilmu yang mempelajari
tentang ikan (Jasin,1984). Hampir semua ahli dan pakar menyatakan bahwa ikan
termasuk kelompok vertebrata dengan anggota kelompok paling tinggi (Nelson,
2006). Jumlah total jenis atau spesies ikan di dunia yang sudah tercatat sampai
penemuan sebelum tahun 2004 mencapai 28.506 spesies. Jumlah total spesies ikan
yang ditemukan di dalam wilayah perairan Indonesia mencapai 4.161 spesies. Dari
jumlah tersebut, 1.125 jenis ialah ikan air tawar (Froese & Pauly, 2011).
Ikan air tawar adalah komoditas perikanan yang saat ini banyak menghasilkan
devisa bagi negara. Ekspor berbagai jenis ikan, baik ikan konsumsi maupun non
konsumsi (ikan hias) terus meningkat setiap tahunnya. Dalam tujuh bulan terakhir
naik 15,24% dibanding tahun 2017 (Kementerian Kelautan dan Perikanan, 2018).
Ikan hias merupakan ikan untuk pajangan, untuk dilihat keindahan akan warna,
bentuk, dan corak yang berbeda dari tiap jenisnya. Hal ini menyebabkan ikan hias
banyak diminati. Peminat ikan hias terus meningkat baik di dalam maupun luar
negeri. Pasar ikan hias di Indonesia 90% didominasi oleh Kabupaten Tulung
2
Agung, Jawa Timur (Kementerian Kelautan dan Perikanan, 2016). Berdasarkan
data statistik budidaya perikanan yang ditunjukkan pada Tabel 1.1, ikan maskoki
menempati urutan pertama untuk ikan hias paling laris di Kabupaten Tulung Agung
(Dinas Kelautan dan Perikanan, 2016). Ikan yang masuk kelompok family
Cyprinidae dan memiliki nama latin Carassius auratus merupakan ikan hias air
tawar yang memiliki banyak penggemar. Spesies ini memiliki daya tarik tersendiri
karena mempunyai keunikan pada bentuk tubuh dan warnanya (Bachtiar, 2004).
Bentuk badannya yang unik, lucu, berjambul, dengan mata lebar serta sisik
berwarna cerah. Selain itu, ikan ini tidak sulit dirawat sehingga banyak dikoleksi
pengemar ikan hias.
Tabel 1.1. Data Statistik Budidaya Perikanan
No. Jenis Ikan Hias Kuartal
1. Ikan Maskoki 13,027,691,660
2. Ikan Moli 1,247,761,345
3. Ikan Manfish 323,677,867
4. Ikan Cupang 283,604,980
5. Ikan Koi 258,584,674
Sumber: Dinas Kelautan dan Perikanan Kabupaten Tulung Agung, 2016.
Bentuk ikan maskoki sulit ditebak. Jenis-jenisnya pun sangat beragam, ada lebih
dari 130 strain (keturunan) ikan maskoki (Bachtiar, 2004). Ikan maskoki dapat
dibedakan melalui bentuk tubuh, warna, dan sisik. Namun, tidak semua orang dapat
mengenal jenis-jenis ikan ini lewat ciri-ciri fisik. Ikan maskoki memiliki beberapa
spesies yang hampir serupa, sehingga banyak masyarakat awam yang tidak dapat
mengenali spesies ikan maskoki tersebut. Harga ikan maskoki berbeda-beda tiap
jenisnya. Kerugian biaya dapat terjadi jika tidak dapat mengenali spesies yang akan
3
dipelihara. Hal ini disebabkan oleh kesalahan mengidentifikasi ikan maskoki.
Kemampuan pengenalan jenis ikan maskoki hanya dimiliki oleh para pakar di
bidang biologi kelautan atau bidang perikanan. Oleh sebab itu, sistem identifikasi
ikan maskoki dibutuhkan untuk membantu penggemar atau masyarakat awam
mengenali spesiesnya.
Kemajuan pesat dalam ilmu pengetahuan memungkinkan kita dapat
mengidentifikasi jenis ikan maskoki lewat ciri-ciri fisik yang tampak secara visual
melalui pengolahan citra. Citra ikan dapat diolah menjadi sebuah data yang
memiliki karakteristik dari masing-masing jenis ikan tersebut. Objek dapat
didefinisikan berdasarkan tekstur atau bentuk. Bentuk adalah salah satu fitur visual
penting dari sebuah gambar yang membantu proses pengenalan ikan secara
otomatis (Jasani, et al., 2015). Proses pengenalan ikan ini berdasarkan pada ciri
yaitu bentuk, pola beserta dengan isinya. Salah satu metode ekstraksi ciri dalam
pengolahan citra adalah deteksi tepi. Deteksi tepi (edge detection) adalah operasi
yang dijalankan untuk mendeteksi garis tepi (edges) yang membatasi dua wilayah
citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas, 1993).
Beberapa metode yang dapat digunakan dalam deteksi tepi contohnya metode
Robert, Sobel, Prewit, Laplician of Gaussian (LoG), Canny, dan sebagainya.
Penelitian tentang deteksi tepi telah dilakukan oleh beberapa peneliti. Salah satunya
dilakukan oleh Malik et al (2017) dari Lingayas’s University, India. Malik et al
(2017) menerapkan beberapa teknik gabungan dalam image processing untuk
mengidentifikasi penyakit ikan dan berhasil mendapatkan akurasi terbaik sebesar
86% menggunakan segmentasi deteksi tepi Canny, ekstraksi fitur PCA, dan
4
klasifikasi Neural Network (NN). Penelitian lainnya dilakukan oleh Khan et al
(2017) dari Department of Electrical and Electronic Engineering Bangladesh
University of Engineering and Technology, Dhaka, Bangladesh. Khan et al (2017)
menerapkan ekstraksi fitur deteksi tepi canny, mengadaptasi metode treshold, dan
klasifikasi menggunakan Support Vector Machine (SVM). Metode-metode tersebut
digunakan untuk mengidentifikasi pada pengenalan 70 mata orang yang berbeda
dengan tingkat akurasi sebesar 97%. Penelitian lainnya dilakukan oleh
Neelamegam et al (2013) dari School of Electrical and Electronics Engineering,
SASTRA University, Triumalaisamudram, Thanjavur, India. Neelamegam et al
(2013) menerapkan ektraksi fitur deteksi tepi, mengadaptasi treshold dan klasifikasi
menggunakan Neural Network (NN). Ketiga metode tersebut digunakan untuk
menganalisis 87 sampel gambar butir beras dengan tingkat akurasi 90%.
Berdasarkan penelitian di atas, deteksi tepi dapat digunakan untuk mengidentifikasi
berbagai objek dengan tingkat akurasi tinggi. Oleh sebab itu, penelitian ini
menggunakan ekstraksi fitur deteksi tepi dan klasifikasi Probability Neural
Network (PNN) untuk mengidentifikasi jenis ikan maskoki. Operator deteksi tepi
yang digunakan adalah canny. Penelitian yang dilakukan oleh Malik et al, (2016)
menjelaskan bahwa operator canny memberikan hasil yang lebih baik dari operator
deteksi tepi yang lain seperti Sobel, Prewitt, Roberts, LoG. Oleh sebab itu, sistem
ini mengimplementasikan metode deteksi tepi Canny dan metode Probability
Neural Network (PNN) untuk mengidentifikasi citra ikan maskoki. Penelitian
dengan judul identifikasi jenis ikan maskoki menggunakan ekstraksi fitur deteksi
tepi canny dan klasifikasi Probability Neural Network (PNN) diharapkan mencapai
akurasi yang tinggi.
5
1.2. Rumusan Masalah
Permasalahan yang akan dibahas dalam penelitian ini adalah bagaimana tingkat
akurasi identifikasi jenis ikan maskoki menggunakan ekstraksi fitur deteksi tepi dan
klasifikasi Probability Neural Network (PNN).
1.3. Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut :
a. Species ikan maskoki yang diidentifikasi adalah Fantail, Oranda, dan Ranchu.
b. Dataset yang digunakan berjumlah 225 citra, terdiri dari 75 citra Fantail, 75
citra Oranda, dan 75 citra Ranchu.
c. Perangkat lunak yang digunakan dalam penelitian ini adalah Matlab 2015a.
1.4. Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian ini adalah mengidentifikasikan citra ikan
maskoki dalam 3 jenis yaitu Fantail, Oranda, dan Ranchu.
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah membantu penggemar ikan maskoki dan pihak
yang belum berpengalaman di bidang biologi kelautan dan perikanan untuk
mengidentifikasi jenis ikan maskoki Fantail, Oranda, dan Ranchu.
6
II. TINJAUAN PUSTAKA
2.1. Ikan Maskoki
Maskoki (Carassius auratus) adalah jenis ikan air tawar yang hidup di perairan
dangkal yang airnya mengalir tenang dan berudara sejuk. Ikan ini banyak digemari
masyarakat karena keindahan warna, gerak-gerik, dan bentuk tubuhnya yang unik.
Menurut sebagian orang memelihara maskoki bisa membantuk menghilangkan
stress dan menentramkan hati. Tak mengherankan jika cukup banyak masyarakat
yang memanfaatkan maskoki sebagai ikan hias yang dipelihara di akuarium atau di
kolam pekarangan. Maskoki sangat populer di kalangan pencinta ikan hias. Bahkan,
muncul anggapan maskoki adalah jenis ikan hias yang paling banyak dikenal dan
dipelihara (Bachtiar, 2005).
Umumnya, bentuk tubuh maskoki lucu, bermata besar agak menonjol dan warna
sisiknya menarik. Warna sisik tersebut bervariasi, dari putih, metalik, merah,
kuning, hitam, merah kekuningan, hijau atau gabungan dari warna-warna tersebut.
Warna di tubuh maskoki ini ditentukan oleh kandungan pigmennya. Maskoki
tergolong mudah dipelihara karena sifatnya cukup adaptif terhadap lingkungan
baru. Tak mengherankan jika maskoki dengan berbagai varietasnya banyak tersebar
hampir di seluruh dunia. Saat ini, varietas maskoki yang dikenal berjumlah 130
strain (Bachtiar, 2005).
7
2.1.1. Morfologi Ikan Maskoki
Ikan maskoki dalam ilmu taksonomi hewan masih satu kerabat dengan ikan mas
(Cyprinus carpio). Menurut Bachtiar (2005), sistematika ikan mas koki berdasarkan
ilmu taksonomi adalah sebagai berikut :
Gambar 2.1. Taksonomi Ikan Maskoki (Bachtiar, 2005).
Ciri umum ikan maskoki ialah mempunyai sirip, kulit tubuhnya dilengkapi sisik,
mempunyai lembar insang, kelopak matanya besar dan pada bagian sisi tubuhnya
terdapat gurat sisi. Bentuk luar tubuh ikan maskoki pada Gambar 2.2. Sirip tubuh
ikan mempunyai tiga fungsi pokok yaitu sebagai alat keseimbangan, memberi
keleluasaan bergerak terutama sebagai tenaga gerak yang dibantu oleh kontraksi
otot tubuh atau otot ekornya. Selain itu, sirip ikan mempunyai fungsi khusus yang
tergantung dari letak sirip tersebut (Effendy, 1990).
Kelas : Actinopterygii
Ordo : Cypriniformes
Cypriniforme
Subordo : Cyprinoidea
Famili : Cyprinidae
Genus : Carassius
Spesies : Carassius auratus
8
Gambar 2.2. Bentuk Luar Tubuh Ikan Maskoki (Bachtiar, 2005).
Lembar insang berfungsi untuk pernafasan, lewat insang ikan maskoki memperoleh
oksigen dengan cara menghisap dari mulutnya kemudian menyaringnya dengan
lembaran insang. Oksigen yang masuk ke dalam tubuh bersama air akan dibawa
oleh aliran darah. Karena itu, jika airnya tercemar maka kandungan karbondioksida
dan kotoran lainnya akan dikeluarkan dari bagian belakang lembaran insang
Bachtiar (2005).
Mata ikan maskoki umumnya berukuran besar, kelopak matanya kecil, dan tidak
bisa membuka dan menutup. Variasi bentuk mata ikan maskoki pada Gambar 2.3.
Lensa mata tidak dapat berkontraksi luas sehingga jarak pandangnya terbatas.
Dengan demikian, mata maskoki hanya bisa melihat jelas dari jarak dekat. Kondisi
tersebut menyebabkan maskoki hanya mengandalkan indera penciuman dalam
mencari makanan (Bachtiar, 2005).
9
Gambar 2.3. Variasi Bentuk Mata Mas Koki
A. Bulat lonjing, B.Lonjong, C. Kerucut terpotong, D. Bulat beruas, E.
Selestial, dan F. Mata balon (Effendy, 1990).
Sirip ikan maskoki mempunyai dua fungsi pokok yaitu sebagai alat keseimbangan
dan sebagai tenaga gerak yang dibantu oleh kontraksi otot tubuh atau otot ekor Sirip
punggung terletak di bagian punggung ikan, sedangkan sirip belakang terletak di
depan sirip ekor di dekat lubang genetal. Sirip dada dan sirip perut berfungsi sebagai
pengendali dan daya dorong tubuhnya membuat gerakan tubuhnya semakin lincah
(Effendy, 1990). Beberapa variasi sirip ikan maskoki pada Gambar 2.4.
Gambar 2.4. Beberapa Variasi Sirip Ikan Maskoki
A. Karpuim, B.Melebar, C. Rangkap Tiga, D. Rangkap Dua, E. Kupu-Kupu
(Effendy, 1990).
10
Ikan maskoki dapat tumbuh hingga mencapai 23 inci (53 cm) dan maksimum
mencapai berat 4,5 kg, namum hal ini sangat jarang terjadi. Sebagian besar ikan
maskoki hanya mencapai separuh dari ukuran maksimal tadi dalam masa
pertumbuhannya. Dalam kondisi yang optimal, maskoki mampu bertahan hidup
hingga 40 tahun, tetapi sebagian besar maskoki umumnya hidup antara 6–8 tahun
(Bachtiar, 2005).
2.1.2. Fantail
Seperti namanya maskoki ini dijuluki si ekor kipas karena ekornya pendek mirip
dengan kipas (fan tail). Bentuk dan warna tubuhnya mirip dengan maskoki tosa
namun ukuran sirip punggung dan sirip ekornya lebih pendek (Bachtiar, 2005). Di
Jepang, Fantail menduduki urutan kedua sebagai maskoki terpopuler setelah
Lionhead (mas koki kepala singa). Tubuhnya pendek dan berbentuk bulat seperti
telur. Ekornya bersirip kembar dan berbentuk mekar memanjang menyerupai ekor
mas koki veiltail. Memiliki sirip punggung berbentuk tegak (Gambar 2.5). Terdapat
masing-masing dua sirip dada dan sirip anus (Yusuf, 2016).
Gambar 2.5. Ikan Maskoki Fantail.
Ekor Seperti
Kipas
Sirip Punggung Tegak
11
2.1.3. Oranda
Maskoki Oranda yang dikenal dengan sebutan maskoki penser memiliki punggung
bersirip ekor panjang yang menjuntai. Kepala dihiasi jambul yang bewarna merah,
putih atau merah putih yang menutupi daerah pipinya sehingga kepala besar dari
tubuh. Oranda shishighasira atau Oranda kepala singa ikan ini dikenal di negara
Jepang, sedangkan di Cina dikenal dengan sebutan ho moo tze. Red Oranda
memiliki warna tubuh merah oranye dengan jambul bewarna merah cemerlang
(Gambar 2.6). Red and white Oranda memiliki warna merah oranye dengan
kombinasi putih platinum. Jambulnya bewarna merah cemerlang terkadang
kombinasi putih dan merah. Siripnya bewarna putih atau kombinasi merah putih
transparan (Yusuf, 2016).
Gambar 2.6. Ikan Maskoki Oranda.
2.1.4. Ranchu
Ikan maskoki yang sering disebut dengan Koki Ganteng atau Koki Bongkok
memiliki bentuk tubuh yang bulat gempal (Gambar 2.7). Dilihat dari posisi atas,
ikan ini terlihat memiliki punggung yang lebar dan jika dilihat dari samping terlihat
punggung yang membungkuk. Kepalanya berbentuk bulat dan besar dihiasi dengan
jambul yang merata dari bagian pipi hingga kepala. Ekornya membuka lebar
Kepala berjambul
Ekor panjang yang
menjuntai
12
dengan posisi sirip yang tegak semi vertikal. Warna tubuh dan sirip ikan ini
beragam seperti merah cemerlang (bright red), kuning berkilau (golden), hijau tua
(deep green), biru kehitaman (dark blue), hitam (black), kombinasi merah dan putih
(red and white), kombinasi putih kuning (white and yellow), kombinasi coklat hitam
(chocolate and black), dan kombinasi putih, merah dan hitam (calico) (Yusuf,
2016).
Gambar 2.7. Ikan Maskoki Ranchu.
2.2. Citra Digital
Citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom,
dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y)
dinamakan intensitas atau tingkat keabuan dari citra pada citra tersebut (Putra,
2010). Citra merupakan suatu representasi (gambaran), kemiripan, atau imitasi dari
suatu objek. Citra dibagi menjadi 2, yaitu citra analog dan citra digital. Citra analog
merupakan citra yang bersifat kontinyu. Misalnya gambar pada monitor televisi,
foto sinar-X, dll. Sedangkan citra digital merupakan citra yang disimpan dalam
bentuk file dan dapat diolah dengan menggunakan komputer. Citra digital
digunakan dalam berbagai bidang yang dapat membantu manusia dalam bekerja.
Citra digital merupakan representatif dari citra yang diambil oleh mesin dengan
Tidak mempunyai sirip punggung,
Punggung bungkuk
Ekor tegak semi
vertikal
13
bentuk pendekatan berdasarkan sampling dan kuantisasi. Sampling pada citra
menyatakan besar kecilnya ukuran pixel (titik) pada citra, dan kuantisasi
menyatakan besarnya nilai tingkat kecerahan yang dinyatakan dalam nilai tingkat
keabuan (grayscale) sesuai dengan jurnlah bit biner yang digunakan oleh mesin
atau jumlah warna yang ada pada citra (Basuki, 2005).
2.2.1. Jenis Citra Digital
Banyak cara yang dapat digunakan untuk menyimpan citra digital di dalam memori.
Cara penyimpanan menentukan jenis citra digital yang terbentuk. Beberapa jenis
citra digital menurut Sutoyo et al (2009) yang sering digunakan adalah citra biner,
citra grayscale dan citra warna.
a. Citra Biner (Monokrom). Banyaknya dua warna, yaitu hitam dan putih.
Dibutuhkan 1 bit di memori untuk menyimpan kedua warna ini.
b. Citra Grayscale (Skala Keabuan). Banyaknya warna tergantung pada
jumlah bit yang disediakan di memori untuk menampung kebutuhan warna
ini. Citra 2 bit mewakili 4 warna, citra 3 bit mewakili 8 warna, dan
seterusnya. Semakin besar jumlah bit warna yang disediakan di memori,
semakin halus gradasi warna yang terbentuk.
c. Citra Warna (True Color). Setiap pixel pada citra warna mewakili warna
yang merupakan kombinasi dari tiga warna dasar (RG8 =Red Green Blue).
Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti
setiap warna mempunyai gradasi sebanyak 255 warna. Berarti setiap pixel
mempunyai kombinasi warna sebanyak 28 x 28 x 28 = 224 =16 juta warna
lebih. Itulah sebabnya format ini dinamakan true color karena mempunyai
14
jumlah warna yang cukup besar sehingga bisa dikatakan hampir mencakup
semua warna di alam.
2.2.2. Elemen Citra Digital
Adapun elemen-elemen yang terdapat pada citra digital Sutoyo et al (2009):
a. Kecerahan (Brightness). Brightness merupakan intensitas cahaya yang
dipancarkan pixel dari citra yang dapat ditangkap oleh sistem penglihatan.
Kecerahan pada sebuah titik (pixel) di dalam citra merupakan intensitas rata-
rata dari suatu area yang melingkupinya.
b. Kontras (Contrast). Kontras menyatakan sebaran terang dan gelap dalam
sebuah citra. Pada citra yang baik, komposisi gelap dan terang tersebar secara
merata.
c. Kontur (Contour). Kontur adalah keadaan yang ditimbulkan oleh perubahan
intensitas pada pixel-pixel yang bertetangga. Karena adanya perubahan
intensitas inilah mata mampu mendeteksi tepi-tepi objek di dalam citra.
d. Warna. Warna sebagai persepsi yang ditangkap sistem visual terhadap
panjang gelombang cahaya yang dipantulkan oleh objek.
e. Bentuk (Shape). Shape adalah properti intrinsik dari objek 3 dimensi, dengan
pengertian bahwa bentuk merupakan properti intrinsik utama untuk sistem
visual manusia.
f. Tekstur (Texture). Texture dicirikan sebagai distribusi spasial dari derajat
keabuan di dalam sekumpulan pixel-pixel yang bertetangga. Tekstur adalah
sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar,
sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut.
15
Tekstur adalah keteraturan pola-pola tertentu yang terbentuk dari susunan
pixel-pixel dalam citra digital. Informasi tekstur dapat digunakan untuk
membedakan sifat-sifat permukaan suatu benda dalam citra yang berhubungan
dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan
permukaan tadi, yang sama sekali terlepas dari warna permukaan tersebut
(Sutoyo et al, 2009).
2.3. Pengolahan Citra Digital
Dalam penggunaan citra, tidak semua gambar digunakan, kadang-kadang hanya
sebagian saja, membutuhkan beberapa perubahan seperti mengubah ukuran citra,
mengubah tingkat kecerahan, serta menggabungkan dua citra atau lebih, proses
tersebut biasanya disebut pengolahan citra (Sutoyo et al, 2009). Pengolahan citra
(image Processing) merupakan proses mengolah pixel-pixel di dalam citra digital
untuk tujuan tertentu. Pada awalnya pengolahan citra ini dilakukan untuk
memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang
ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer
serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat
mengambil informasi dari suatu citra. Gambar 2. 8 merupakan diagram proses
pengolahan citra dimulai dari pengambilan citra, perbaikan kualitas citra, sampai
dengan pernyataan representatif citra yang dicitrakan (Sutoyo et al, 2009).
Gambar 2.8. Proses Pengolahan Citra (Sutoyo et al, 2009).
Akuisis Citra
(Pengambilan Citra)
Perbaikan Kualitas
Citra
Proses Represntatif
Citra
16
Dalam perkembangan lebih lanjut, image processing dan computer vision
digunakan sebagai mata manusia, dengan perangkat input image capture seperti
kamera dan scanner dijadikan sebagai mata dan mesin komputer (dengan program
komputasinya) dijadikan sebagai otak yang mengolah informasi. Sehingga muncul
beberapa pecahan bidang yang menjadi penting dalam computer vision, antara lain:
pattern recognition (pengenalan pola), biometric pengenalan identifikasi manusia
berdasarkan ciri-ciri biologis yang tampak pada badan manusia), content based
image and video retrieval (mendapatkan kembali citra atau video dengan informasi
tertentu), video editing, dan lain-lain (Basuki, 2005).
2.4. Deteksi Tepi
Tepi citra (edge) adalah perubahan nilai intensitas derajat keabuan yang cepat/tiba-
tiba (besar) dalam jarak yang singkat. Sedangkan deteksi tepi (Edge Detection)
pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek
citra. Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk
mendeteksi garis tepi (edges) yang membatasi dua wilayah citra homogen yang
memiliki tingkat kecerahan yang berbeda (Pitas, 1993). Pitas (1993) juga
menyebutkan bahwa deteksi tepi pada suatu citra adalah suatu proses yang
menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah:
a. Untuk menandai bagian yang menjadi detail citra.
b. Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau
adanya efek dari proses akuisisi citra.
c. Serta untuk mengubah citra 2D menjadi bentuk kurva.
17
Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 2.9
menggambarkan bagaimana tepi suatu gambar di peroleh.
Citra Awal
Gambar 2.9. Proses Deteksi Tepi (Sutoyo et al, 2009).
Jarak
perubahan intesitas
= arah tepi
Gambar 2.10. Model Tepi (Putra, 2010).
Dalam citra digital ada tiga macam tepi, ketiganya adalah (Putra, 2010) :
a. Tepi curam, tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar 90°.
Differensial Arah Vertikal
Differensial Arah Horizontal
18
b. Tepi landai, disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil. Tepi
landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya
berdekatan.
c. Tepi yang mengandung derau (noise).
Umumnya tepi yang terdapat pada aplikasi computer vision mengandung derau.
Operasi peningkatan kualitas citra (image enhancement) dapat dilakukan terlebih
dahulu sebelum pendeteksian tepi.
derajat derajat derajat
keabuan keabuan keabuan
0 x 0
Gambar 2.11. Jenis-jenis Tepi Citra (Putra, 2010).
2.5. Operator Canny
Operator canny, yang dikemukakan oleh John Canny pada tahun 1986, terkenal
sebagai operator deteksi tepi yang optimal (Canny, 1986). Algoritma ini
memberikan tingkat kesalahan yang rendah, melokalisasi titik-titik tepi (jarak pixel-
pixel tepi yang ditemukan deteksi dan tepi yang sesungguhnya sangat pendek), dan
hanya memberikan satu tanggapan untuk satu tepi. Operator canny memiliki
beberapa kelebihan dalam mengekstrak tepian dengan kebebasan pemilihan
parameter yang digunakan. Menurut Maini et al (2009), operator canny merupakan
0 x x
(b) Tepi landai (c) Tepi curam dengan derau (a) Tepi curam
19
edge detector yang optimal dan memiliki kelebihan dari operator pendeteksi yang
lain. Beberapa kriteria pendeteksi tepian paling optimum yang dapat dipenuhi oleh
algoritma canny (Canny, 1986):
a. Mendeteksi dengan baik (kriteria deteksi). Kemampuan untuk meletakkan dan
menandai semua tepi yang ada sesuai dengan pemilihan parameter -parameter
konvolusi yang dilakukan. Parameter konvolusi tersebut akan dibahas pada
langkah smoothing. Sekaligus juga memberikan fleksibilitas yang sangat tinggi
dalam hal menentukan tingkat deteksi ketebalan tepi sesuai yang diinginkan.
b. Melokalisasi dengan baik (kriteria lokalisasi). Dengan canny dimungkinkan
dihasilkan jarak yang minimum antara tepi yang dideteksi dengan tepi yang asli
yang berarti bahwa tepi yang dihasilkan tidak akan berbeda jauh dengan tepi
aslinya.
c. Respon yang jelas (kriteria respon). Hanya ada satu respon untuk tiap tepi
sehingga mudah dideteksi dan tidak menimbulkan kerancuan pada pengolahan
citra selanjutnya.
Pemilihan parameter deteksi tepi canny sangat mempengaruhi hasil dari tepian yang
dihasilkan. Beberapa parameter tersebut adalah nilai sigma gaussian dan nilai
ambang (Maini et al, 2009).
Deteksi tepi canny terbagi dalam enam tahapan (Green, 2002):
a. Melakukan penghalusan (smoothing) citra untuk menghilangkan noise atau
derau. Pada citra ikan maskoki, penghalusan menggunakan Gaussian Filter.
Contoh Gaussian Filter dengan =1.
20
Gambar 2.12. Gaussian Filter dengan =1 (Apte, 2017).
b. Proses selanjutnya adalah mendapatkan kekuatan tepi (edge strength). Hal ini
dilakukan dengan menggunakan operator Gaussian. Selanjutnya, gradien citra
dapat dihitung menggunakan Persamaan 1:
|G| = |Gx|+|Gy| (1)
c. Tahapan ketiga berupa penghitungan arah tepi. Persamaan yang digunakan
untuk keperluan ini :
= tan−1( 𝐺𝑥, 𝐺𝑦) (2)
d. Setelah arah tepi diperoleh, arah tepi harus dihubungkan dengan sebuah arah
yang dapat dilacak dari citra. Sebagai contoh, terdapat susunan pixel berukuran
5 x 5 seperti terlihat pada Gambar 2.13. Dengan melihat pixel “a” tampak
bahwa a hanya memiliki 4 arah berupa 0 derajat, 45 derajat, 90 derajat, dan 135
derajat.
Gambar 2.13. Matrik Pixel Berukuran 5x5 (Green, 2002).
X X X X X
X X X X X
X X A X X
X X X X X
X X X X X
21
e. Selanjutnya, arah tepi yang diperoleh akan dimasukkan ke dalam salah satu
kategori dari keempat arah tadi berdasarkan area yang tertera pada Gambar
2.14 Berikut adalah aturan konversi yang berlaku :
Gambar 2.14. Area Mengkonversi Arah Tepi (Green, 2002).
Semua arah tepi yang berkisar antara 0 dan 22,5 serta 157,5 dan 180 derajat
(warna biru) diubah menjadi 0 derajat.
Semua arah tepi yang berkisar antara 22,5 dan 67,5 derajat (warna kuning)
diubah menjadi 45 derajat.
Semua arah tepi yang berkisar antara 67,5 dan 112,5 derajat (warna merah)
diubah menjadi 90 derajat.
Semua arah tepi yang berkisar antara 112,5 dan 157,5 derajat (warna hijau)
diubah menjadi 135 derajat.
Kemudian yang dilakukan selanjutnya adalah penghilangan non-maksimum di
sepanjang tepi pada arah tepi dan menghilangkan pixel-pixel (pixel diatur
menjadi 0) yang tidak dianggap sebagai tepi.
f. Tahapan keenam berupa proses yang disebut hysteresis. Proses ini
menghilangkan garis-garis yang terputus-putus pada tepi objek citra. Caranya
22
adalah dengan menggunakan dua ambang T1 dan T2. Lalu, semua pixel citra
yang bernilai lebih besar daripada T1 dianggap sebagai pixel tepi. Selanjutnya,
semua pixel yang terhubung dengan pixel tersebut dan memiliki nilai lebih
besar dari T2 juga dianggap sebagai pixel tepi. Hasil deteksi tepi menggunakan
operator canny pada Gambar 2.15.
Gambar 2.15. Hasil Deteksi Tepi Menggunakan Operator Canny.
2.6. Otsu Tresholding
Metode otsu digunakan untuk membagi histogram citra gray level ke dalam dua
daerah yang berbeda secara otomatis tanpa membutuhkan bantuan user untuk
memasukkan nilai ambang. Pendekatan yang dilakukan oleh metode Otsu adalah
dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat
membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis
Diskriminan akan memaksimumkan variable tersebut agar dapat membagi objek
latar depan (foreground) dan latar belakang (background) (Putra, 2010).
2.7. K-Fold Cross Validation
Menurut Duda et al. (2000), cross validation merupakan teknik yang membagi data
menjadi dua bagian. Satu bagian digunakan sebagai kelompok pelatihan data untuk
membuat parameter model dalam classifier. Bagian lain merupakan data validasi
23
yang digunakan untuk memperkirakan error. Cross validation adalah metode
heuristic yang dapat diterapkan pada semua teknik klasifikasi. Teknik ini
merupakan pendekatan empiris yang menguji classifier dengan percobaan tertentu.
Anguita et al. (2009) menjelaskan tentang K-fold cross validation yang merupakan
teknik resampling yang membagi data menjadi 𝑘 subdata. Setiap subdata berjumlah
𝑙/𝑘 dengan 𝑙 adalah jumlah seluruh data, 𝑘 − 1 subdata digunakan sebagai data
latih dan subdata lainnya digunakan sebagai validation set (data uji). Perkiraan
akurasi cross validation merupakan jumlah seluruh hasil klasifikasi yang benar
dibagi dengan jumlah seluruh data.
2.8. Probabilistic Neural Network (PNN)
Probabilistic Neural Network (PNN) diusulkan oleh Donald Specht pada tahun
1990 sebagai alternatif dari back-propagation neural network. PNN memiliki
beberapa kelebihan, yaitu proses pelatihan hanya memerlukan satu kali iterasi dan
solusi diperoleh menggunakan pendekatan Bayesian. Keuntungan utama
menggunakan PNN adalah pelatihannya yang mudah dan cepat. Bobot bukan
merupakan hasil pelatihan melainkan nilai yang akan menjadi masukan. Bobot yang
ada tidak pernah berganti-ganti, hanya vektor baru yang dimasukan ke dalam
matriks bobot saat proses pelatihan. Struktur PNN memiliki 4 lapisan penyusun
yaitu lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusan.
Arsitektur dari PNN terdiri dari 4 layer, yaitu input layer, pattern layer, summation
layer, dan decision layer/output layer seperti dapat dilihat pada Gambar 2.16
(Herdiyeni dan Wahyuni, 2012).
24
Kelas 1
Kelas 2
Kelas n
Gambar 2.16. Struktur PNN (Herdiyeni dan Wahyuni, 2012)
Lapisan penyusun PNN dijelaskan sebagai berikut:
a. Lapisan masukan (input layer)
Lapisan masukan merupakan masukan x yang terdiri atas k nilai ciri yang akan
diklasifikasikan pada salah satu kelas dari n kelas.
b. Lapisan pola (pattern layer).
Pada lapisan pola dilakukan perkalian titik (dot product) antara masukan x dan
vektor bobot xA, yaitu ZA = x . xAi , ZA kemudian dibagi dengan bias (σ) tertentu
dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu g(x) = exp(-x).
Dengan demikian, persamaan yang digunakan pada lapisan pola adalah
Persamaan 3 berikut:
𝑔(𝑥) = 𝑒𝑥𝑝 (−(𝑥−𝑥𝐴𝑖)𝑇(𝑥−𝑥𝐴𝑖)
2𝜎2) (3)
dengan xAi menyatakan vektor latih kelas ke-A urutan ke-i.
c. Lapisan penjumlahan (summation layer)
Kelas
Keputusan
Lapisan
Masukan
f
1
f
k
Lapisan
Penjumlahan
Lapisan
Keputusan
f
2
f
3
1
t
1
t
1
1
Sum
1
x
Lapisan
Pola
Sum
1
Sum
1
25
Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan
sehingga menghasilkan probability density function untuk setiap kelas.
Persamaan 4 digunakan pada lapisan ini.
𝑝(𝜔𝐴)𝑝(𝑥|𝜔𝐴) =1
(2𝜋)𝑑2𝜎𝑑𝑁𝐴
∑ 𝑒𝑥𝑝𝑁𝐴𝑖=1 (−
(𝑥−𝑥𝐴𝑖)𝑇(𝑥−𝑥𝐴𝑖)
2𝜎2) (4)
Dengan
𝑝(𝜔𝐴) = peluang kelas c
𝑝(𝑥|𝜔𝐴) = peluang bersyarat x jika masuk ke dalam kelas c
𝑥𝐴𝑖 = vektor latih kelas c urutan ke-i
𝑑 = dimensi vektor masukan
𝑁𝐴 = jumlah pola pelatihan kelas c
𝜎 = bias
d. Lapisan keputusan (output layer)
Pada lapisan keputusan, masukan x akan diklasifikasikan ke kelas A jika nilai
pA(x) paling besar dibandingkan kelas lainnya.
Perhitungan klasifikasi dalam PNN dapat dihitung menggunakan Persamaan 5:
Akurasi =∑ Data yang cocok
∑ Jumlah data yang diinput X 100% (5)
26
III. METODE PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian dilakukan di Laboratorium Komputasi Dasar Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung Jalan Prof.
Dr. Soemantri Brojonegoro No.1 Gedung Meneng, Bandar Lampung. Penelitian ini
dilaksanakan pada bulan April-November tahun 2018.
3.2 Spesifikasi Alat dan Penelitian
Alat-alat yang digunakan dalam penelitian ini antara lain:
3.2.1 Perangkat Lunak
Perangkat lunak yang digunakan pada penelitian ini yaitu:
a. Sistem Operasi Windows 8 Ultimate 64-Bit dan
b. Matlab R2015a (Windows Versions).
c. Image Processing Tollbox
d. Adobe Photoshop CS6
3.2.2 Perangkat Keras
Perangkat keras yang digunakan pada penelitian ini yaitu:
a. Laptop dengan spesifikasi Processor AMD E1-1200 APU 1.40 GHz
27
b. HDD 500 GB
c. RAM 8 GB
d. Kamera SLR.
3.3 Sumber Data
Sumber data yang dipergunakan dalam penelitian ini terdiri dari data primer dan
data sekunder.
3.3.1. Data Primer
Data primer pada penelitian ini diperoleh melalui observasi dan studi literatur.
3.3.1.1 Observasi
Observasi dilakukan di Laboratorium Komputasi Dasar Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Data
penelitian yang diperoleh yaitu citra ikan maskoki jenis Fantail, Oranda, dan
Ranchu sebanyak 225 citra berukuran 2912 x 5148 pixel. Citra ikan maskoki untuk
masing-masing spesies berjumlah 75 citra.
3.3.1.2 Studi Literatur
Studi literatur yang dilakukan dengan mengumpulkan jurnal, penelusuran internet,
dan buku-buku yang berkaitan dengan penelitian, mengenai identifikasi jenis ikan
maskoki dan penelitian yang menggunakan metode canny edge detection dan PNN.
28
3.3.2. Data Sekunder
Data sekunder dalam penelitian ini diperoleh melalui wawancara. Wawancara yang
dilakukan adalah wawancara bebas atau wawancara tidak terstruktur. Wawancara
dilaksanakan di Dinas Kelautan dan Perikanan Provinsi Lampung yang beralamat
di Jalan Drs. Warsito No. 76, Teluk Betung, Bandar Lampung. Narasumbernya
adalah M. Zainal. Data yang diperoleh adalah data statistik budidaya perikanan
Bandar Lampung tahun 2017 dan pakar ikan hias yang berada di Kota Bandar
Lampung.
3.4 Tahapan Penelitian
Tahapan penelitian yang dilakukan dalam identifikasi ikan maskoki menggunakan
ekstaksi fitur deteksi tepi (edge detection) dan PNN ditunjukkan pada Gambar 3.1.
Gambar 3.1. Tahapan Penelitian.
Citra Ikan
Mas Koki
RGB
Preprocessing
Akuisisi Citra
Ekstraksi Fitur
(Deteksi Tepi Canny)
Klasifikasi PNN
Evaluasi
29
3.4.1. Citra Ikan Maskoki
Citra ikan maskoki yang digunakan dalam penelitian ini adalah citra ikan maskoki
jenis Fantail (Gambar 3.2), Oranda (Gambar 3.3), dan Ranchu (Gambar 3.4). Citra
ikan maskoki masing-masing berjumlah 75 buah citra terdiri dari 60 citra latih dari
setiap kelas sehingga jumlah seluruh data latih adalah 180 data dan 15 citra uji dari
setiap kelas sehingga jumlah seluruh data uji adalah 45 data
Gambar 3.2. Contoh Citra Ikan Maskoki Jenis Fantail
Gambar 3.3. Contoh Citra Ikan Maskoki Jenis Oranda
Gambar 3.4. Contoh Citra Ikan Maskoki Jenis Ranchu
3.4.2. Akuisisi Citra
Tahap pertama penelitian ini diawali dengan akuisisi citra atau mempersiapkan data
yang akan dipergunakan sebagai objek penelitian. Citra ikan maskoki diambil
secara langsung pada akuarium menggunakan kamera. Ukuran citra yang
digunakan adalah 2912 x 5148 pixel. Setelah mendapatkan data berupa citra RGB
30
(Red, Green, Blue), selanjutnya citra diproses agar sesuai dengan kebutuhan
penelitian.
3.4.3. Preprocessing
Preprocessing merupakan tahap kedua dari proses identifikasi jenis ikan maskoki.
Citra RGB yang diperoleh dari kamera SLR dilakukan preprocessing terlebih
dahulu. Tahapan preprocessing yang dilakukan adalah memotong (cropping) objek
dengan background kemudian mengganti background citra menjadi putih. Proses
tersebut dilakukan secara manual menggunakan software Adobe Photoshop CS6.
Selanjutnya, merubah ukuran citra RGB menjadi 256 x 256 pixel. Citra RGB
ditransformasi menjadi citra grayscale. Proses ini dilakukan oleh sistem. Citra
grayscale digunakan sebagai masukan untuk proses ekstraksi fitur.
Gambar 3.5. Tranformasi Citra RGB menjadi citra grayscale.
3.4.4. Ekstraksi Fitur
Tahap selanjutnya adalah ekstraksi fitur. Ekstraksi fitur dilakukan untuk
mengekstrak nilai-nilai yang unik dalam objek gambar. Nilai-nilai unik inilah yang
menjadi pembeda setiap jenis ikan maskoki. Proses ekstraksi fitur dilakukan
menggunakan deteksi tepi canny.
31
Deteksi tepi canny terbagi dalam lima tahapan, yaitu:
a. Tahap pertama dilakukan penghalusan (smoothing) citra untuk menghilangkan
noise atau derau. Penghalusan yang digunakan adalah Gaussian Filter.
b. Proses selanjutnya adalah mendapatkan kekuatan tepi (edge strength). Hal ini
dilakukan dengan menggunakan operator Gaussian. Selanjutnya, gradien citra
dapat dihitung menggunakan Persamaan 1.
c. Tahapan ketiga berupa penghitungan arah tepi citra dapat dihitung
menggunakan Persamaan 2. Selanjutnya citra dibagi dalam 4 warna dapat
dilihat pada Gambar 2.14.
d. Setelah arah tepi diperoleh, garis tepi diperkecil dengan menerapkan
nonmaksimum suppression.
e. Tahapan kelima berupa proses yang disebut hysteresis. Proses ini
menghilangkan garis-garis yang terputus-putus pada tepi objek citra.
Hasil pada tahap ini adalah garis-garis tepi dari ikan maskoki. Garis-garis tepi ini
membentuk sebuah pola, pola ini yang akan membedakan 3 jenis dari ikan
maskoki, yaitu Fantail, Oranda, dan Ranchu.
3.4.5. Pembagian Data
Data hasil ekstraksi dibagi menjadi dua bagian yaitu data latih dan data uji. Teknik
pembagian data yang digunakan adalah k-fold cross validation dengan nilai 𝑘 = 5.
Setiap fold memiliki dua jenis data yaitu data latih dan data uji dengan penggunaan
data yang berbeda untuk setiap fold. Data hasil ekstraksi dibagi menjadi 5 bagian
dengan proporsi 25% untuk setiap bagian sehingga diperoleh S1, S2, S3, S4, S5. Data
32
latih terdiri dari 4 subdata sedangkan data uji terdiri dari 1 subdata. Skenario
pembagian data terlihat pada Tabel 3.1.
Tabel 3.1. Skenario Pembagian Data
Fold Data Subset
Fold 1 Data Latih S1, S2, S3, S4
Data Uji S5
Fold 2 Data Latih S1, S2, S3, S5
Data Uji S4
Fold 3 Data Latih S1, S2, S4, S5
Data Uji S3
Fold 4 Data Latih S1, S3, S4, S5
Data Uji S2
Fold 5 Data Latih S2, S3, S4, S5
Data Uji S1
3.4.6. Klasifikasi
PNN merupakan teknik klasifikasi yang melakukan pembelajaran terhadap data
untuk membentuk sebuah pola klasifikasi. Proses pembelajaran dilakukan pada data
latih dan menghasilkan model klasifikasi. Selanjutnya data uji akan diuji pada
model klasifikasi. Data uji adalah data yang tidak digunakan dalam proses
pembelajaran. Klasifikasi dilakukan untuk mengelompokan data pada masing-
masing kelas. Kelas yang digunakan terdiri dari kelas Oranda (kelas 1), Fantail
(kelas 2), dan Ranchu (kelas 3). Data hasil ekstraksi setiap kelas dibagi berdasarkan
skenario pembagian data. Setiap subdata terdiri dari 15 citra. Setiap fold terdiri dari
60 data latih dari setiap kelas sehingga jumlah seluruh data latih adalah 180 data
dan 15 data uji dari setiap kelas sehingga jumlah seluruh data uji adalah 45 data.
Setiap fold diklasifikasi menggunakan PNN untuk mendapatkan pembagian data
terbaik.
33
3.4.7. Evaluasi
Tahap terakhir pada penelitian ini evaluasi dari kinerja model klasifikasi didasarkan
pada banyaknya data uji yang diprediksi secara benar dan salah. Nilai akurasi
merupakan nilai perbandingan antara jumlah data yang berhasil dikenali oleh
classifier dengan jumlah total data pengujian (Persamaan 5). Kinerja sistem
identifikasi dihitung dengan mencari rata-rata akurasi dari seluruh fold.
50
V. KESIMPULAN
5.1. Kesimpulan
Berdasarkan penelitian identifikasi ikan maskoki menggunakan ekstraksi fitur
deteksi tepi canny dan klasifikasi Probability Neural network (PNN) maka dapat
diambil beberapa kesimpulan sebagai berikut:
a. Implementasi sistem dalam mengindentifikasi ikan maskoki dengan
menggunakan ekstraksi fitur deteksi tepi canny dan klasifikasi PNN berhasil dan
akurasi kinerja sistem mencapai 99.11%.
b. Akurasi tertinggi diperoleh pada parameter σ (bias) 1.5.
5.2. Saran
Dari hasil penelitian yang dilakukan terdapat beberapa rekomendasi sebagai
berikut:
a. Menerapkan metode untuk proses segmentasi.
b. Menambah variasi bentuk dan objek pada data latih.
c. Menerapkan atau menggabungkan metode ekstraksi fitur yang lain , untuk
mendapat hasil yang lebih baik.
51
DAFTAR PUSTAKA
Anguita, D., Ghio, A., S. Ridella, and D. Sterpi. 2009. K-fold cross validation for
error rate estimate in support vector machines. In proceeding of: Proceedings
of The 2009 International Conference on Data Mining, DMIN 2009. pp.291-
297.
Apte, S. D. 2017. Random Signal Processing. ISBN: 9781138746275.
Bachtiar,Yusuf. 2004. Budidaya Ikan Hias Air Tawar untuk Ekspor. Depok.
Agromedia Pustaka.
Bachtiar, Yusuf. 2005. Mencegah Maskoki Mudah Mati (ed. Revisi). Jakarta. PT.
AgroMedia Pustaka.
Basuki, Achmad. 2005. Metode Numerik dan Algoritma Komputasi. Penerbit Andi.
Yogyakarta.
Canny, J.1986. A Computational Approach To Edge Detection. IEEE on PAMI.
Vol. 8, pp. 679-697.
Dinas Kelautan dan Perikanan Kabupaten Tulung Agung. 2016. Data Statistika
Perairan Ikan Hias.
Duda, Richard O, Peter, E Hart., Davis, E Stork. 2000. Pattern Classification:
second edition. ISBN-10: 0471056693 | ISBN-13: 978-0471056690.
Effendy, Hersanto. 1990. Memelihara Maskoki dalam Akuarium. Yogyakarta.
Kanisius.
Froese R and Pauly. 2011. FishBase 2011: Concepts, Design and Data Sources.
Philippines (PHL): International Center for Living Aquatic. http://www.fishbase.org. [Diakses pada 20 Februari 2018].
Green, Bill. 2002. Canny Edge Detection Tutorial.
http://dasl.unlv.edu/daslDrexel/alumni/bGreen/www.pages.drexel.edu/_weg22/
can_tut.html. [Diakses pada 28 Februari 2018].
52
Herdiyeni, Y., Wahyuni, NKS. 2012. Mobile application for Indonesian medicinal
plants identification using Fuzzy Local Binary Pattern and Fuzzy Color
Histogram. International Conference on Advanced Computer Science and
Information Systems (ICACSIS). ISBN: 978-1-4673-3026-8.
Jasani, D., Patel, P., Patel, S., Ahir, B., Patel, K., & Dixit, M. 2015. Review of Shape
and Texture Feature Extraction. (IJCSIT) International Journal of Computer
Science and Information Technologies, Vol. 6 (6), 4851-4854.
Jasin, Maskoeri. 1984. Sistematika Hewan. Sinar wijaya: Surabaya.
Kementerian Kelautan dan Perikanan. 2016. Pasar Ikan Hias Indonesia.
Kementerian Kelautan dan Perikanan. 2018. Komoditas Ekspor Ikan Indonesia.
Khan, Md. Fahim Faysal., Akif, Ahnaf., Haque, M. A. 2017. Iris Recognition using
Machine Learning from Smartphone Captured Images in Visible Light. IEEE
International Conference on Telecommunications and Photonics (ICTP), ISBN
: 978-1-5386-3374-8.
Maini, Raman., Himanshu, Dr. Aggarwal. 2009. Study and Comparison of Various
Image Edge Detection Techniques. International Journal of Image Processing
(IJIP), Volume 3. Issue 1.
Malik, Shaveta., Kumar, Tapas. 2016. Various Edge Detection Techniques on
different Categories of Fish. International Journal of Computer Applications
(IJCA), Vol. 135. No. 7.
Malik, Shaveta., Kumar, Tapas, Sahoo, A.K.. 2017. Image Processing Techniques
for Identification of Fish Disease. IEEE 2nd International Conference on Signal
and Image Processing, ISBN : 978-1-5386-0969-9.
Neelamegam. P, Abirami. S, Vishnu Priya. K, Rubalya Valantina.S. 2013. Analysis
of rice granules using Image Processing and Neural Network. IEEE Conference
on Information and Communication Technologies, ISBN : 978-1-4673-5758-6.
Nelson, J. S. 2006. Fishes of the world. New Jersey, USA. John Wiley & Sons.
Pitas, I. 1993. Digital Image Processing Algorithms. Singapore. Prentice Hall.
Putra, Darma. 2010. Pengolahan Citra Digital. Penerbit Andi. Yogyakarta.
Sutoyo, T et al. 2009. Teori Pengolahan Citra Digital. Penerbit Andi. Yogyakarta.
Wasserman, P.D. 1993. Advanced Methods in Neural Computing. New York, Van
Nostrand Reinhold, pp. 35–55
53
Yi, J. H., Wang, J., & Wang, G.-G. 2016. Improved Probabilistic Neural Networks
with Self-Adaptive Strategies for Transformer Fault Diagnosis Problem.
Advances in Mechanical Engineering, 1-13.
Yusuf. 2016. Ragam Jenis Ikan Hias Air Tawar Populer. Putra Ayu Publisher.
Yogyakarta.
top related