Pengenalan Jenis Ikan Air Laut dengan Metode Learning Vector Quantization (LVQ) Berbasis Citra
Icha Maimunah, Nerfita Nikentari, Nurul Hayaty [email protected], [email protected]
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Pengenalan jenis ikan air laut diperlukan untuk mengetahui manfaat yang terkandung dalam ikan tersebut karena kebanyakan orang mengonsumsi ikan tanpa mengetahui jenis ikan tepatnya dan manfaat ikan tersebut. Untuk itu tujuan dari penelitian ini adalah membangun sistem yang dapat mengenali jenis-jenis ikan air laut dengan menerapkan metode Learning Vector Quantization (LVQ). Nilai learning rate (α) = 0,01, minimum learning rate (minα) = 0,00001 dan pengurangan learning rate (decα) = 0,1 menghasilkan nilai akurasi pengujian sebesar 88,89%.
Kata kunci : Ikan Laut, Learning Vector Quantization, GLCM, Moment Invariant
PENDAHULUAN
Salah satu kekayaan hasil laut Indonesia adalah ikan. Ikan di perairan Indonesia memiliki beragam macam jenis dan namanya. Ikan dengan jenis yang berbeda tentunya memiliki kandungan dan manfaat yang berbeda pula. Saat ini, banyak masyarakat Indonesia hanya mengonsumsi ikan sebagai lauk-pauk tanpa mengetahui jenis ikan dan apa saja manfaat dari mengkonsumsi ikan tersebut. Maka dari itu, dibutuhkan suatu teknologi yang dapat mengenali jenis ikan serta manfaat yang diperoleh jika mengkonsumsi ikan tersebut.
Pengenalan jenis ikan air laut dapat dilihat berdasarkan citra ikan dan diklasifikasi menggunakan suatu metode learning machine. Salah satu metode learning machine adalah Learning Vector Quantization (LVQ). LVQ diperkenalkan pertama kali oleh Tuevo Kohonen yang merupakan salah satu jaringan syaraf tiruan yang melakukan pembelajaran secara terawasi. LVQ bertujuan untuk mengklasifikan input terhadap output yang telah ditentukan dan didefinisikan sebelumnya berdasarkan jaringan yang telah dilatih.
LVQ adalah metode learning machine yang fleksibel, mudah diterapkan dan dapat digunakan dalam masalah klasifikasi multi-kelas secara langsung (Widiyanti & Purwanti, 2012). Pada penelitian Wuryandari dan Afrianto (2012) menyatakan bahwa metode LVQ memiliki tingkat keakuratan dalam pengenalan wajah lebih baik dari pada metode Backpropagation, dan rata-rata waktu pengenalan juga relatif cepat dengan waktu 32 milisekon. Hal ini mendorong penulis untuk menggunakan metode tersebut dalam pengenalan jenis ikan air laut, agar hasil yang didapatkan bisa bermanfaat dalam mengetahui jenis ikan.
BAHAN DAN METODE
Pada penelitian ini menggunakan data citra ikan kerapu, ikan tenggiri dan ikan kakap merah sebagai data yang akan dikenali oleh sistem. Data citra ini terbagi menjadi 2, yaitu citra latih dan citra uji. Citra latih berjumlah 45 citra yang terdiri dari 15 citra ikan kerapu, 15 citra ikan tenggiri dan 15 citra ikan kakap merah. Sedangkan citra uji berjumlah 18 citra data uji yang terdiri dari 6 citra masing-masing jenis ikan. Adapun metode yang digunakan dalam pengenalan jenis ikan air laut ini adalah metode Learning Vector Quantization dengan ekstraksi ciri tekstur GLCM dan ekstraksi ciri bentuk Moment Invariant sebagai input dalam pembelajaran LVQ.
1. Perancangan sistem
Perancangan sistem merupakan tahap yang penting dalam mengaplikasikan suatu konsep dalam bentuk program maupun alat agar pembuatannya berjalan secara sistematis dan rapi. Gambaran secara umum sistem ini dapat dilihat pada Gambar 1. berikut.
Mulai
Akuisisi Citra
Citra Uji Citra Latih
Konversi citra RGB ke Grayscale Konversi citra RGB ke Grayscale Konversi citra Grayscale ke matriks Intensitas Konversi citra Grayscale ke matriks Intensitas Deteksi Tepi Sobel Deteksi Tepi Sobel Ekstraksi ciri GLCM dan 7 invariant moments Ekstraksi ciri GLCM dan 7 invariant moments Mencari bobot training LVQ Menhitung jarak
data uji dan bobot training
Klasifikasi LVQ
Hasil Klasifikasi ikan laut dan
manfaat
Selesai
2. Prapengolahan dan Segmentasi
Pada proses ini citra yang dimasukkan ke sistem akan diubah menjadi citra
greyscale, lalu diubah ke matrik intensitas dan dilakukan segmentasi citra
menggunakan deteksi tepi sobel yang hasilnya dikonversi menjadi citra biner. 3. Tahap ekstraksi ciri
a. Ekstraksi ciri GLCM
Kookurensi merupakan kejadian sama yang muncul dalam suatu data citra, artinya jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak
dinyatakan dalam piksel dan orientasi dalam derajat. Orientasi sudut dibentuk dalam empat arah dengan interval sudut 45°, yaitu 0°, 45°, 90° dan 135° sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.
Langkah-langkah ekstraksi ciri GLCM:
1. Konversi matrik intensitas ke matrik kookurensi
2. Merubah matrik kookurensi ke matrik simetris dengan cara menambahkan matrik kookurensi dengan matrik kookurensi transpose.
3. Normalisasi matrik dengan cara elemen-elemennya dinyatakan dengan probabilitas.
4. Mencari rata-rata matrik GLCM keempat sudut.
5. Menghitung ciri statistik orde kedua, yaitu Angular Second Moment,
Contrast, Correlation, Variance, Inverse Different Moment, dan Entropy.
b. Ekstraksi ciri Moment Invariant
Ekstraksi ciri invarian momen digunakan untuk ekstraksi ciri bentuk agar ketika citra ditransformasi masih dapat dkenali. Proses ini dilakukan untuk menghasilkan ciri berupa vektor dari citra biner. Ciri yang digunakan yaitu seven moment invariant yang akan menghasilkan tujuh nilai pada vektor ciri. 4. Pengenalan jenis ikan
Pengenalan jenis ikan pada penelitian ini menggunakan metode LVQ. LVQ merupakan jaringan syaraf dengan tipe arsitektur jaringan lapis-tunggal umpan-maju (Single Layer FeedForward) yang terdiri atas unit masukan dan unit keluaran. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor masukan. Kelas-kelas yang didapatkan sebagai hasil dari kompetitif ini hanya bergantung pada jarak antara vektor-vektor masukan. Jika 2 vektor masukan mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor tersebut ke dalam kelas yang sama (Wuryandari & Afrianto, 2012).
a. Proses Pelatihan LVQ
Gambar 2. berikut adalah flowchart diagram pelatihan LVQ yang akan menghasilkan bobot-bobot akhir.
Mulai
Input data latih (Xi) dan Target (T) serta tetapkan bobot awal (Wij), Maksimum Epoh (MaxEpoh), Learning rate (α), pengurangan
learning rate (Decα), dan minimum learning rate (Minα)
Epoh = 0 Epoh ≤ MaxEpoh atau α ≥ Minα Epoh = Epoh + 1 YA i = 1 ke n Baca Xi i = n + 1
Hitung jarak terkecil
menggunakan Euclidean
distance |Xi – Wij|
TIDAK
T = Cj TIDAK Wj baru = Wj lama - α(Xi – Wj lama) Wj baru = Wj lama + α(Xi – Wj lama) YA
Tentukan jarak minimum Xi terhadap Wj (C)
Next i
Kurangi nilai α α = α – α*Decα
YA TIDAK
Bobot akhir hasil training
Selesai
Gambar 2. Diagram alir proses pelatihan LVQ
Proses pelatihan LVQ dilakukan dengan mencari jarak terkecil antara bobot awal dan data pelatihan menggunakan Euclidean distance, kenudian dilakukan update bobot. Dalam update nilai bobot ditentukan dari hasil pencarian jarak terkecil. Nilai terkecil akan menjadi nilai akhir atau winner
yang akan dirumuskan sebagai berikut :
1. Jika jarak terkecil sesuai kelas target maka update bobot menggunakan persamaan :
Wj = Wj + α (Xi – Wj) ... (1) 2. Jika tidak sesuai target maka digunakan persamaan :
Wj = Wj + α (Xi – Wj) ... (2) Nilai learning rate akan selalu berkurang sampai mencapai epoh maksimal yang ditentukan atau sesuai dengan nilai minimal learning rate. b. Proses Pengujian LVQ
Setelah proses pelatihan dilakukan, maka akan dilakukan proses pengujian. Flowchart diagram yang akan dibahas adalah mengenai proses pengujian data untuk melihat seberapa mampu sistem dalam mengenali jenis ikan seperti Gambar 3. berikut.
Mulai
Load bobot Wi hasil training
Masukkan Data Uji
Hitung jarak euclidean
antara Data Uji Xi dan bobot Wi
Hitung jarak minimum
Target
Selesai
Gambar 3. Diagram alir proses pengujian LVQ
Pada tahap ini, nilai bobot Wj didapatkan dari hasil proses yang telah dilakukan pada tahap update bobot akhir. Pada proses ini dilakukan pencarian jarak terkecil menggunakan rumus Euclidean distance.
HASIL 1. Hasil Pelatihan
Pengenalan jenis ikan air laut dengan metode LVQ ini menggunakan 63 data yang dibagi menjadi 45 data sebagai data latih dan 18 data sebagai data uji.
Pada proses pelatihan dalam mengenali kelas (Cj) dengan metode LVQ digunakan learning rate (α) 0,01, minimum learning rate (Min α) 0,00001, pengurangan learning rate (Dec α) 0,1 dan nilai epoh maksimum (Maxepoch) 1000, maka diperoleh bobot akhir seperti Tabel 1.berikut.
Tabel 1. Bobot Akhir Hasil Pelatihan Target (Ci) Bobot (Wij) 1 2 3 Wi1 0,218548 0,623479 0,323654 Wi2 0,561126 0,712228 0,315006 Wi3 0,810595 0,736302 0,947214 Wi4 0,761339 0,924025 0,760682 Wi5 0,728653 0,705228 0,700005 Wi6 0,620757 0,384988 0,443821 Wi7 0,0690887 0,55791 0,164761 Wi8 0,0169768 0,0751624 0,000000443771
Tabel 1. Lanjutan Wi9 0,0493579 0,133967 0,00588173 Wi10 0,0262327 0,110474 0,00261812 Wi11 0,0000563739 0,0765404 0,0000671872 Wi12 0,0942185 0,14177 0,00676307 Wi13 0,00116867 0,0787213 0,0000374157
Nilai bobot akhir ini akan dijadikan nilai bobot dalam perhitungan jarak pada proses pengujian LVQ.
2. Hasil Pengujian
Pengujian pada sistem ini menggunakan bobot yang parameternya berupa nilai learning rate (α) = 0,01, dec α = 0,1 dan min α = 0,00001. Maka hasil pengujian dari data uji sebanyak 18 citra dapat dilihat pada Tabel 2. berikut. Tabel 2. Hasil pengujian citra
Data d1 d2 d3
Jarak
terkecil Masuk Target
1 0,335 0,862 0,368 0,335 1 1 2 0,318 0,700 0,431 0,318 1 1 3 0,471 0,935 0,556 0,471 1 1 4 0,414 1,077 0,527 0,414 1 1 5 1,059 1,415 1,511 1,059 1 1 6 0,237 0,852 0,316 0,237 1 1 7 0,919 0,241 0,930 0,241 2 2 8 2,386 1,629 2,279 1,629 2 2 9 1,076 0,519 0,905 0,519 2 2 10 0,921 0,279 0,875 0,279 2 2 11 0,812 0,292 0,927 0,292 2 2 12 0,777 0,253 0,837 0,253 2 2 13 0,759 0,680 0,545 0,545 3 3 14 0,680 1,153 0,561 0,561 3 3 15 0,482 1,078 0,387 0,387 3 3 16 0,439 0,655 0,361 0,361 3 3 17 0,831 1,405 0,979 0,831 1* 3 18 0,908 1,428 0,992 0,908 1* 3 Keterangan :
* = Tidak sesuai target
PEMBAHASAN
Pada pengujian citra ikan air laut menghasilkan 16 dari 18 data yang sesuai dengan target sehingga akurasi pengujian sistem sebesar 88,89% dan waktu yang
digunakan untuk mengidentifikasi citra jenis ikan air laut rata-rata 50 detik. Adapun 2 data citra yang tidak sesuai target disebabkan oleh ketidak konsistenan dalam akuisisi citra mulai dari kekontrasan gambar hingga latar belakang gambar ikan tersebut sehingga sistem keliru dalam mengenali jenis ikan.
KESIMPULAN
Sistem pengenalan jenis ikan air laut dengan metode Learning Vector
Quantization (LVQ) pada penelitian ini mampu mengenali citra ikan air laut
dengan jumlah data uji 18 data yang terdiri dari 6 data citra ikan kerapu, 6 data citra ikan tenggiri dan 6 data citra ikan kakap merah. Dengan menggunakan bobot akhir hasil pelatihan dengan parameter learning rate (α) 0,01, min α 0,00001 dan dec α 0,1, maka didapatkan nilai akurasi data uji sebesar 88,89% dengan 16 data citra sesuai target dan 2 data citra yang tidak sesuai target. Ketidaktepatan dalam mengelompokkan citra jenis ikan air laut menggunakan LVQ ini dipengaruhi oleh latar belakang citra. Latar belakang citra ikan yang memiliki tekstur yang sangat tajam mengakibatkan sistem kesulitan dalam memisahkan citra ikan dan latar belakang tersebut sehingga citra ikan sulit untuk dikenali oleh sistem.
DAFTAR PUSTAKA
Andri, 2012, Implementasi Segmentasi Citra dan Algoritma Learning Vector
Quantization (LVQ) dalam Pengenalan Bentuk Botol, JSM STMIK
Mikroskil, 13(2), 123.
Azis, F., 2013, Sistem Temu Kembali Citra Kain Berbasis Tekstur dan Warna, Skripsi, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru. Doris, Z., 2015, Cara Jitu Memancing Ikan Kerapu,
http://www.musingken.com/2015/06/cara-jitu-memancing-ikan-kerapu.html, 9 April 2017.
Iskundarti, E., 2016, Manfaat dan Kandungan Gizi dari Ikan Kakap Merah, http://www.masakandapurku.com/2016/09/manfaat-dan-kandungan-gizi-dari-ikan_27.html, 9 April 2017.
Jetti, R., 2017, Resep Otak-otak Ikan Tenggiri Bakar Mantap Banget, http://anekaresepnusantara.info/resep-otak-otak-ikan-tenggiri-bakar/, 9 April 2017.
Kusumadewi, Sri., 2004, Membangun Jaringan Syaraf Tiruan Menggunakan
Matlab dan Excel Link, Graha Ilmu, Yogyakarta.
Paruntu, C.P., 2015, Budidaya Ikan Kerapu (Epinephelus tauvina Forsskal, 1775) dan Ikan Baronang (Siganus canaliculatus Park, 1797) dalam Karamba Jaring Apung, Jurnal Budidaya Perairan, 3(1), 2.
Permatasari, D., 2012, Sistem Klasifikasi Kualitas Biji Jagung Berdasarkan
Tekstur Berbasis Pengolahan Citra Digital, Skripsi, Institut Teknologi
Telkom, Bandung.
Sambani, E.B., Uryani, N.S., dan Putra, R.A.K., 2016, Algoritma Learning Vector Quantization untuk Pengenalan Barcode Buku di Perpustakaan
Universitas Galuh Ciamis, seminar, STMIK AMIKOM Yogyakarta, 6-7
Februari 2016.
Santoso, A., dan Susilo, E.S., 2016, Studi Pendahuluan Hubungan Panjang-Berat Ikan Tenggiri (Scomberomorus comerson) dari Perairan Semarang,
Jurnal Kelautan Tropis, 19(2).
Sharma, A., dan Gupta M.R., 2015, Iris Recognition Based Learning Vector
Quantization and Local Binary Patterns on Iris Matching, IJTRA, 3(5),
13,
Soleiman, E.M., dan Fetanat, A., 2014, Using Learning Vector Quantization
(LVQ) in Intrusion Detection Systems, IJIRAE, 1(10).
Sugiarsa, I.W.A., 2015, Perancangan Sistem Pendeteksi Leukoplakia Melalui Citra Klinis Rongga Mulut Berbasis Gray Level Co-occurrence Matrix
dan K-Nearest Neighbor, Skripsi, Universitas Telkom, Bandung.
Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, D., dan Wijanarto., 2009,
Teori Pengolahan Citra Digital, Ed, I, Andi, Yogyakarta.
Wahyuningsih., Prihatiningsih., dan Ernawati, T., 2013, Parameter Populasi Ikan Kakap Merah (Lutjanus malabaricus) di Perairan Laut Jawa Bagian Timur, BAWAL, 5(3), 175.
Wakhidah, N., 2013, Ekstraksi Ciri Plat Nomor Mobil menggunakan Moment Pusat, Jurnal Transformatika, 10(2).
Wuryandari, M.D., dan Afrianto, I., 2012, Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah, Jurnal Komputer dan Informatika (KOMPUTA), 1, 45.
