Saat ini ada beberapa penalitian terdahulu yang memanfaatkan teknologi untuk melakukan klasifikasi spesies ikan dan identifikasi formalin terhadap beberapa objek.
Klasifikasi citra ikan dengan fitur vektor pada produk Single Value Decompotion (SVD) dengan menggunakan jaringan saraf tiruan Feed Forward Neural Network (FFNN) telah dilakukan oleh (Adebayo & Olumide, 2016). Terdapat beberapa jenis ikan yang diklasifikasikan pada penelitian tersebut yakni africanpike, bichir, butterfish, mackerel, sardine, crayfish, flatfish, climbing perch, mormyrups, tilapia, silver catfish, african carp, glass catfish, reed fish, silver moony, crayfish, elephant nose trunk fish, dan marble fish. Metode ini tidak hanya bergantung pada warna ikan, bentuk dan ukuran ikan yang bisa berubah seiring perubahan umur dan musim yang terjadi pada ikan. Penelitian ini menggunakan pola ikan untuk menangkap jenis pola bagian tubuh ikan yang menjadi pembeda antara masing-masing ikan. Penelitian ini menghasilkan tingkat keakurasian 94% dengan 36 data tes.
Penelitian selanjutnya tentang “Implementasi Convulotional Neural Network Untuk Identiifikasi Ikan Air Tawar” oleh (Fauzi et al., 2019) berhasil mengklasifikasikan ikan air tawar yaitu gurame padang, mas kaca, mas orange, mas putih, mujair, nila, patin, bawal, belut, dan lele. Dengan melakukan cropping dan scalling terlebih dahulu, citra diproses dan dilanjutkan untuk melakukan transformasi ke bentuk data matrix. Penelitian ini menghasilkan tingkat ke akurasian sebesar 88,3% dengan total dataset sebanyak 300 citra ikan yang terbagi kedalam 10 jenis ikan air tawar. Masing-masing ikan mempunyai 30 data citra digital dengan perbandingan data latih dan uji yaitu 80:20.
Kemudian, penelian lainnya mengenai “Identifikasi Jenis Daun Tanaman Obat Hipertensi Bedasarkan Citra RGB Mengunakan Jaringan Saraf Tiruan” yang dilakukan oleh (Jamaliah et al., 2017). Penelitian ini menggunakan backpropagation sebagai jaringan saraf tiruan dan menggunakan warna daun sebagai ciri utama dalam mendeteksi jenis daun. Algoritma backprpagation merupakan salahsatu teknik jaringan syaraf buatan yang memiliki dua langkah kerja, yaitu peerambatan maju dan mundur. Kedua ini berguna untuk mengubah nilai bobot dan bias untuk mengurangi error. Sistem memiliki tingkat keakurasian yang berbeda disetiap jenis daunnya dengan jumlah data uji sebanyak 150 citra untuk 5 jenis daun tanaman yang
masing-masing sebanyak 30 citra data uji. Tingkat akurasi keseluruhan data mencapai 72%
dengan masing-masing jenis daun, yaitu daun salam sebesar 100%, daun kumis kucing 80%, daun siledri 100%, daun alpukat 40% dan daun sirsak 60%.
Selanjutnya, penelitian mengenai “Klasifikasi Citra Daun Tanaman Menggunakan Metode Extreme Learning Machine” yang dilakukan oleh (Murdoko, 2015). Tekstur, warna, bentuk, dan ukuran daun menjadi asset utama dengan menggunakan fitur graylevel co-occurrence matrix (GLCM) yang sebelumnya melalui filterisasi menggunakan gabor filter untuk melakukan klasifikasi jenis tanaman berdasarkan daun tanaman tersebut. Penggunaan fitur ekstraksi ini untuk mencari nilai-nilai berupa energy yang akan digunakan sebagai data untuk proses training dan testing. Penelitian ini menghasilkan akurasi data training 92,9% dan data testing sebesar 88,9% dengan data citra daun sebanyak 32 kelas tanaman dengan jumlah data dikeseluruhannya sebesar 1798 citra daun tanaman.
Penelitian selanjutnya mengenai “Deteksi Ikan Bandeng Berformalin Berdasarkan Citra Insang Menggunakan Metode Naïve Bayes Classifier” oleh (Kinanthi et al., 2018). Penelitian ini menggunakan metode naïvie bayes classier untuk pengambilan keputusan dalam mendeteksi zat formalin pada ikan berdasarkan warna insang ikan dengan melakukan resize citra terlebih dahulu, mengubah warna citra menjadi ke abuan dan menggunakan k-means sebagai algoritma pengelompokkannya.. Penelitian menggunakan 144 data training dan 36 data testing sehingga menghasilkan tingkat keakurasian sebesar 94,4% dari data testing.
Penelitian selanjutnya berjudul “Deteksi Formalin pada Ikan Menggunakan Backpropagation” yang dilakukan oleh (Hidayat & Palamba, 2019). Penelitian ini melakukan proses resize dan thresholding sebelum melakukan ekstraksi citra.
Dilanjutkan dengan operasi morfologi yang meliputi dilasi dan closing serta perbaikan citra menggunakan operasi imfill dan melakukan ekstraksi ciri bentuk citra. Menggunakan metric dan eccentricity sebagai parameter untuk ekstraksi ciri citra. Mata ikan menjadi fokus utama dalam mendeteksi zat formalin pada ikan bandeng. Sistem melakukan klasifikasi terhadap 120 citra ikan bandeng dan menghasilkan tingkat keakurasian sebesar 86,25%.
Penelitian terakhir berjudul “Pendeteksian Ikan Berformalin Melalui Citra Mata Menggunakan Metode Probabistic Neural Network Bebasis Android” yang
dilakukan oleh (Siahaan, 2018). Penelitian ini melalui tahapan pre-processing meliputi cropping, resizing, dan contrast stretching. Dilanjutkan dengan proses ekstrasksi citra yang berfokus ke mata ikan dengan menggunakan fitur Hue Saturation Value (HSV). Sistem melakukan klasifikasi terhadap 120 citra ikan bandeng yang menghasilkan tingkat keakurasian sebesar 85% dari seluruh data uji sebanyak 60 citra data.
Penelitian terdahulu yang telah dipaparkan akan diuraikan secara singkat pada Tabel 2.4.
Tabel 2.4 Ringkasan Penelitian Terdahulu
No. Peneliti Tahun Metode Hasil
2 Fauzi, et al 2019 Convolutional Neural Network
2017 Backpropagation Hasil dari penelitian, sistem
Tabel 2.4 Sambungan Ringkasan Penelitian Terdahulu
No. Peneliti Tahun Metode Hasil
4 Murdoko 2015 Extreme Learning Machine
2018 Naïve Bayes Classifier Metode deteksi objek Naïve
2.9.1 Perbedaan Penelitian
Perbedaan penelitian yang dilakukan oleh (Adebayo & Olumide, 2016) dan (Fauzi et al., 2019), keduanya merupakan penelitian yang memiliki tujuan untuk melakukan identifikasi ikan menggunakan metode tersendiri.
Penelitian yang dilakukan oleh (Adebayo & Olumide, 2016) menggunakan algoritma feed forward neural network (FFNN) dengan fitur ekstraksi single value decompotion (SVD) melakukan klasifikasi 16 jenis ikan yang menghasilkan tingkat keakurasian 94% dari 36 data tes. Sedangkan, penelitian yang dilakukan oleh (Fauzi et al., 2019) menggunakan convolutional neural network (CNN) melakukan klasifikasi 10 jenis ikan yang menghasilkan tingkat keakurasian 88,33% dengan jumlah data sebanyak 60 citra. Penggunaan GLCM untuk melakukan ekstraksi dalam penelitian ini mampu mengoptimalkan kinerja program untuk mengekstraksi tekstur masing-masing ikan.
Selanjutnya perbedaan penelitian yang dilakukan oleh (Jamaliah et al., 2017) dan (Murdoko, 2015) terlihat bahwa penggunaan metode extreme learning machine (ELM) menghasilkan tingkat keakurasian program yang lebih besar dibandingkan dengan penggunaan backpropagation neural network (BPNN). Pada ELM menghasilkan tingkat keakurasian yang lebih optimal yaitu sebesar 88,9% dari data uji dan 92,9% data latih dengan jumlah keseluruhan data 1798 citra daun. Sedangkan penggunaan BPNN menghasilkan rata-rata keakurasian sebesar 72% dari 150 data daun. Hasil dari penggunaan filter gabor pada ELM lebih mengoptimalkan kinerja program dalam melakukan klasifikasi daun dibandingkan dengan penggunaan RGB pada BPNN.
Perbedaan penelitian selanjutnya dilakukan oleh (Hidayat & Palamba, 2019) dan (Kinanthi et al., 2018), kedua penelitian ini menjelaskan perbedaan metode dan parameter objek yang akan di identifikasi.
Penggunaan fitur ekstraksi thresholding, operasi morfologi yang meliputi dilasi dan closing, dan metode backpropagation dilalui untuk melakukan identifikasi dengan fokus pada mata ikan sehingga menghasilkan akurasi
sebesar 86,25% dari 120 citra ikan bandeng. Sedangkan Kinanthi, melalui proses grayscale, segmentasi k-means, dan klasifikasi menggunakan naïve bayes classifier. Penelitian ini mendapatkan hasil akurasi sebesar 94,4%
dari 36 data uji ikan dengan total keseluruhan data termasuk data latih sebesar 144 data. Data terbagi menjadi 2 jenis, data ikan tidak berformalin dan ikan berformalin.
Pada penelitian ini, yang menjadi pembeda dengan penelitian seblumnya ialah jumlah data yang digunakan dan belum terdapat pengklasifikasian tiga ikan sekaligus yaitu ikan bandeng, tongkol, dan kembung. Selain itu, pengimplementasian Extreme Learning Machine menjadi algoritma pembeda dengan penelitian yang lain. Penelitian terdahulu oleh (Siahaan, 2018) menerapkan metode Probabilistic Neural Network (PBNN) melalui proses cropping, resizing, ekstraksi fitur menggunakan HSV dan klasifikasi menerapkan PBNN. Menggunakan 120 citra ikan bandeng, penelitian ini memperoleh tingkat akurasi sebesar 85%
dari jumlah data uji sebanyak 60 citra. (Rosyidah, 2015) menerapkan metode Naïve Bayes Classifier dengan melalui proses cropping, resizing, grayscalling, feature extraction, dan klasifikasi. Penelitian ini hanya melakukan klasifikasi ikan bandeng dengan 120 jumlah data yang digunakan. Penelitian Rosyidah memperoleh akurasi sebesar 88,33%.
Terakhir penelitian yang dilakukan oleh (Pariyandani et al., 2019) menerapkan k-Nearest Neighbor (KNN). Penelitian ini mengubah citra ke bentuk keabuan, melakukan ekstraksi dengan GLCM, dan KNN sebagai metode untuk klasifikasi. Penelitian ini menggunakan 500 data ikan yang teridi dari ikan tidak berformalin dan ikan berformalin. Data training yang digunakan sebanyak 60% dari total data dan 40% untuk data testing.
Hasilnya KNN dapat menghasilkan akurasi sebesar 72,5% data testing.
BAB 3