IDENTIFIKASI IKAN MASKOKI MENGGUNAKAN EKSTRAKSI FITUR ...digilib.unila.ac.id/55217/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · dengan data latih berjumlah 180 citra dan data uji berjumlah

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


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




Oleh


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




Oleh:


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)


Semua arah tepi yang berkisar antara 112,5 dan 157,5 derajat (warna hijau)


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

http://2.bp.blogspot.com/-423qqPFL8W0/Vbo4H1jW0ZI/AAAAAAAADAg/B5ZFf21NGPc/s1600/5.PNG

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


Data Uji S4


Data Uji S3


Data Uji S2


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].

http://www.fishbase.org/

http://dasl.unlv.edu/daslDrexel/alumni/bGreen/www.pages.drexel.edu/_weg22/can_tut.html

http://dasl.unlv.edu/daslDrexel/alumni/bGreen/www.pages.drexel.edu/_weg22/can_tut.html

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.

Documents

IDENTIFIKASI IKAN MASKOKI MENGGUNAKAN EKSTRAKSI FITUR ...digilib.unila.ac.id/55217/2/SKRIPSI TANPA BAB PEMBAHASAN.pdf · dengan data latih berjumlah 180 citra dan data uji berjumlah