Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV
DOI:
https://doi.org/10.70309/ticom.v13i1.137Keywords:
Deteks, GLCM, HSV, Ikan Kembung, KNNAbstract
Ikan kembung, yang memiliki nilai gizi tinggi dan permintaan konsumen yang terus meningkat, sering kali mengalami penurunan kualitas akibat proses degradasi setelah penangkapan. Penurunan ini tidak hanya mengurangi nilai gizi tetapi juga dapat membuat ikan kembung menjadi beracun jika dikonsumsi dalam keadaan busuk. Meskipun metode tradisional seperti analisa mikroskopis dan kimia dapat digunakan untuk menilai kesegaran ikan, metode ini tidak efisien karena memerlukan waktu, biaya, dan tenaga yang besar. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan sistem deteksi kesegaran ikan kembung dengan metode K-Nearest Neighbors (KNN). Sistem ini menggunakan fitur warna RGB-HSV dan tekstur GLCM dari citra ikan kembung untuk membedakan antara ikan kembung segar dan busuk. Dataset yang digunakan terdiri dari 700 citra ikan kembung, yang dibagi menjadi data pelatihan dan pengujian. Tujuan dari penelitian ini adalah untuk menyediakan alat yang mudah digunakan oleh penjual dan pembeli ikan kembung dalam menentukan kesegaran ikan dengan lebih akurat dan efisien. Hasil penelitian menggunakan normalisasi dengan akurasi 96%, presisi 96% dan recall 96%, menunjukkan bahwa pendekatan berbasis KNN dengan fitur warna dan tekstur dapat secara efektif mendeteksi kesegaran ikan kembung, memberikan solusi yang lebih akurat dibandingkan metode tradisional. Pendekatan ini memberikan kontribusi signifikan dalam proses penentuan kesegaran ikan kembung, membantu mengurangi kesalahan dalam pemilihan ikan kembung oleh konsumen
References
C. Y. Jerandu, P. Batarius, dan A. A. J. Sinlae, “Identifikasi Kualitas Kesegaran Ikan Menggunakan Algoritma K-Nearest Neighbor Berdasarkan Ekstraksi Ciri Warna Hue, Saturation, dan Value (HSV),” Building of Informatics, Technology and Science, vol. 4, no. 3, hal. 1536–1547, 2022.
M. W. Adisaputra, “Kandungan Mikroplastik pada Ikan Bawis (Siganus Canaliculatus) dan ikan kembung (Rastrelliger Kanagurta) di perairan Bontang,” Jurnal Ilmiah BioSmart, vol. 7, no. 1, hal. 1–11, 2021.
S. P. Hutagalung and G. Sitanggang, Analisis Indikator Kinerja Utama Kelautan dan Perikanan Indonesia: Angka Konsumsi Ikan, Jakarta, Pusat Data, Statistik, dan Informasi, 2017.
M. Alamsyah dan M. A. Nadjib, “Implementasi Metode K-Nearest Neighbor dalam Mengklasifikasikan Kesegaran Ikan Kuro Menggunakan Citra,” Jurnal SPIRIT, vol. 14, no. 2, hal. 10–15, 2023.
E. H. Pujiarini, F.N. Lenti, “Convolution Neural Network Untuk Identifikasi Tingkat Kesegaran Ikan Nila Berdasarkan Perubahan Warna Mata,” Jurnal Khatulistiwa Informatika, vol. 11, no. 1, hal. 21–25, 2023.
H. Fitriyah, D. Syauqy, dan F. A. Susilo, “Deteksi Kesegaran Ikan Tongkol (Euthynnus Affinis) secara Otomatis Berdasarkan Citra Mata Menggunakan Binary Similarity,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 5, hal. 879–886, 2020.
M. Sarimin, M. Bettiza, N. Hayaty, dan S. Nugraha, “Implementasi HSV dan GLCM untuk Deteksi Kesegaran Ikan Bawal menggunakan Radial Basis Function Berbasis Android,” Jurnal Sustainable: Jurnal Hasil Penelitian dan Industri Terapan, vol. 8, no. 1, hal. 1–7, 2019.
Z. Y. Lamasigi, S. Serwin, H. Husdi, dan Y. Lasena, “Identifikasi Tingkat Kesegaran Ikan Tuna Menggunakan Metode GLCM dan KNN,” JAMBURA: Jurnal Electrical and Electronics Engineering, vol. 4, no. 1, hal. 70–76, 2022.
S. Khansa, J, Jayanta, dan I. N. Isnainiyah, “Penerapan Ekstraksi Ciri Transformasi Wavelet Dalam Pembuatan Model Klasifikasi Kesegaran Ikan Selar,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasiny (SENAMIKA), vol. 1, no. 2, hal. 771–784, 2020.
H. Honainah, F. F. Romadhoni, dan A. Ato’illah, “Klasifikasi Kesegaran Ikan Tongkol Berdasarkan Warna Mata Menggunakan Metode Backpropagation,” Jurnal Penelitian Inovatif, vol. 2, no. 2, hal. 405–414, 2022.
E. P. H. Gutierres, R. K. Hapsari, “Implementasi Metode Filter Gabor Pada Ekstraksi Fitur Image Wajah,” Seminar Nasional Teknik Elektro, Sistem Informasi, dan Teknik Informatika (SNESTIK), hal. 325–330, 2024.
I. W. A. Heryanto, M. Artama, M. W. Segara, I. G. A. Gunadi, “Segmentasi Warna dengan Metode Thresholding,” Wahana Matematika dan Sains: Jurnal Matematika, Sains, dan Pembelajarannya, vol. 14, no. 1, hal. 54–64, 2020.
E. F. Himmah, M. Widyaningsih, dan M. Maysaroh, “Identifikasi Kematangan Buah Kelapa Sawit Berdasarkan Warna RGB Dan HSV Menggunakan Metode K-Means Clustering,” Jurnal Sains dan Informatika, vol. 6, no. 2, hal. 193–202, 2020.
M. Ramadhani, S. Suprayogi, H. B. Dyah, “Klasifikasi Jenis Jerawat Berdasarkan Tekstur dengan Menggunakan Metode GLCM,” e-Proceding of Enggineering, vol. 5, no. 1, hal. 870–876, 2018.
G. M. C. Batubara, A. Desiani, dan A. Amran, “Klasifikasi Jamur Beracun Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors,” Jurnal Ilmu Komputer dan Informatika, vol. 3, no. 1, hal. 33–42, 2023.
Downloads
Published
How to Cite
Issue
Section
License
CC BY-SA 4.0
Creative Commons Attribution-ShareAlike 4.0 International
This license requires that reusers give credit to the creator. It allows reusers to distribute, remix, adapt, and build upon the material in any medium or format, even for commercial purposes. If others remix, adapt, or build upon the material, they must license the modified material under identical terms.
BY: Credit must be given to you, the creator.
SA: Adaptations must be shared under the same terms.ng
