BAB II TINJAUAN PUSTAKA

BAB II

TINJAUAN PUSTAKA

2.1 Penelitian Terkait

Dalam melakukan penelitian ini mengunakan hasil penelitian-penelitian yang terkait, mempunyai hubungan berdasarkan objek yaitu tentang citra ikan, sebagai acuan perbandingan untuk mendapatkan hasil yang diinginkan. Jurnal-jurnal ini membantu peneliti menentukan langkah yang diambil dalam melakukan penelitian dan memberikan informasi yang penting agar dapat menerapkan metode serta algoritma yang diujikan. Beberapa referensi lain diambil dari skripsi dan jurnal yang terkait dengan penelitian yang dilakukan.

Penelitian yang berjudul Content Based Image Retrieval Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku [7]. Menjelaskan tentang pemanfaatan pengolahan citra dalam bidang perikanan dengan mengklasifikasikan ikan jenis kohaku. Menerapakan metode color histogram untuk mendapatkan ektraksi ciri yang sesuai dan mengklasifikasian dengan perhitungan jarak untuk melihat tingkat kemiripan dari gambar. Semakin kecil jarak yang didapat maka gambar semakin mirip. Hasil didapat menggunakan perhitungan jarak dapat memberikan hasil pencarian secara tepat dengan nilai treshold 0-70000000.

Penelitian selanjutnya berjudul Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding [6]. Pada penelitian ini pengenalan objek ikan berdasarkan ciri-ciri ikan. Menerapkan metode thresholding untuk mengenali bentuk. Hasil yang didapat berupa dapat memisahkan objek mata ikan dengan nilai T3=61 dengan koordinat matriks [274:285,152:173].

Penelitian yang berjudul a general fish classification methodology using

meta-heuristic algorithm with back propagation classifier [8]. Penelitian ini

menhasilkan pengklasifikasian citra ikan untuk membedakan ikan tersebut tergolong berbahaya atau tidak berbahaya dengan menggabungkan berbagai extraksi fitur pada gabor filter dan penggunaan algoritma Meta-Heuristic serta algoritma klasifikasi back propagation. Mendapatkan hasil akurasi 85% dari klasifikasinya.

Algoritma Naive Bayes Berdasarkan Tekstur Pada Citra [9] menghasilkan klasifikasi kulitas dari kayu kelapa menggunakan gray level co-occurrance

matrix untuk mendapatkan ekstraksi fitur yang diinginkan sebagai pengenalan

pola kemudian diproses menggunakan algoritma klasifikasi naive bayes dan mendapatkan nilai akurasi 86,67%, nilai recall 86,67% dan nilai presisi sebesar 87,78%.

Penelitian selanjutnya sebagai acuan berjudul Pengklasifikasian Daun Mangga, Salam dan Sawo dengan Menggunakan Metode Naive Bayes [10]. Menghasilkan pengklasifikasian jenis daun menggunnakan chain code sebagai pengenalan bentuk dari daun serta mendapatkan nilai ektraksi fitur kemudian nilai tersebut diolah menggunakan algoritma naive bayes hasilnya sangat efektif .

Tabel 2. 1 State of the art

No Judul Penulis Tahun Metode Hasil

1 Content Based Image Retrieval

Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku [7].

Hisyam Syarif 2014 Metode color histogram dan perhitungan jarak

Menghasilkan identifikasi pada citra ikan berdasarkan bentuk, pola tubuh ikan dan ciri-ciri lainya.

2 Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding [6] Max R. Kumaseh, Luther Latumakulita dan Nelson Nainggolan

2013 Metode Thresholding Menghasilkan sebuah pengenalan ikan berdasarkan ciri-ciri ikan dan membangun pengetahuan tentang identifikasi ikan yang berbasis pada pengolahan citra.

3 a general fish classification methodology using meta-heuristic algorithm with back propagation classifier [8] Usama A. Badawi dan Mutasem K. Alsmadi 2014 Meta-Heuristic dan back propagation classifier Algorithms

Menghasilkan sistem klasifikasi ikan yang termasuk berbahaya dan tidak berbahaya dengan ukuran serta bentuknya untuk kemudian menggolongkan kedalam jenis yang sesuai.

4 Analisis Identifikasi Pola Warna Ikan Koi Menggunakan Metode Sobel Edge

Detection Dalam Karakteristik Citra Sharpening [11].

Milfa Yetri, Yusnidah, Mukhlis Ramadhan

2015 Metode Sobel Edge

Detection

Analisa corak ikan koi menggunakan metode Sobel dan Sharpening untuk mendapatkan garis tepi yang akurat.

5 Sistem Pengenalan Kualitas Ikan Gurame dengan Wavelet, PCA, Histogram HSV dan KNN [12].

Fitri Astutik 2013 Metode Wavelet, PCA, Histogram, HSV dan KNN

Pengenalan kualitas induk Gurame melalui tekstur sisiknya dengan ekstraksi ciri gabungan Wavelet, PCA dan Histogram HSV serta diklasifikasi menggunakan KNN.

Peneliti menggunakan algoritma naive bayes dalam membuat tugas akhir tentang pengklasifikasian jenis ikan koi. Serta untuk membuktikan akurasi tingkat kemiripan menggunakan algoritma naive bayes. Citra ikan koi akan diolah dengan ekstraksi ciri fitur GLCM dan nilainya yang didapat akan diklasifikasikan menggunakan algoritma naive bayes.

2.2 Tinjauan Pustaka

2.2.1 Ikan koi

Komoditas ikan koi mulai berkembang sangat pesat, banyaknya orang mulai menyukai ikan koi, berawal kepopulerannya di jepang dan kemudian menyebar ke berbagai belahan dunia. Ikan yang termasuk ikan hias ini digemari karena warnanya yang menarik dan beragam, serta mempunyai corak bervariasi. Varian warna didominasi oleh warna hitam, putih, merah, kuning, biru dan krem ini menjadikan ikan koi stabil dalam penjualannya. Mudahnya perawatan salah satu alasan untuk menjadikan ikan koi sebagai ikan peliharaan. Mempunyai jenis beragam membuat ikan koi menjadi stabil penjualanya dipasaran. Standar internasional dari ikan koi dapat dikatakan berkualitas, dapat dilihat dari beberapa kriteria, antara lain [2]:

1. Bentuk tubuh sempurna.

2. Warnanya cerah mencolok, tidak terjadi gradasi warna atau bayangan. 3. Batas pada pola warna terlihat jelas.

4. Ukuran proposional sesuai panjang dan besarnya.

Tiap jenis ikan koi mempunyai perbedaan tersendiri-diri baik bentuk, corak dan warnanya. Untuk membedakan agak sulit karena beberapa jenis mempunyai persamaan warna. Beberapa jenis merupakan hasil persilangan dari koi jenis lain. Adapun jenis-jenis koi yang sudah dikategorikan tersebut.

1. Kohaku

Kohaku mempunyai warna dasar putih dan belang merah pada bagian belakang kepala punggung dan ekor. Warna merah pada ikan koi kohaku dapat digunakan sebagai acuan untuk menentukan mutu dari koi jenis ini. Dapat disebut berkualitas baik bila perbedaan kedua warna tersebut mencolok [2].

Gambar 2. 1 Ikan koi jenis Kohaku [13]. 2. Taisho Sanke

Ikan koi taisho sanke merupakan ikan koi jenis 3 warna yaitu dengan warna dasar putih berpadu belang merah dan hitam. Ikan koi jenis ini dapat dikatakan berkuaalitas baik dengan melihat bagian kepala tanpa belang hitam, bagian punggungnya belang merah besar, siripnya berwarna putih dan mempunyai belang hitam hanya 2 atau 3 saja [2].

Gambar 2. 2 Ikan koi jenis Taisho Sanke [13].

3. Showa Sanshoku

Ikan koi showa sanshoku merupakan ikan koi dengan 3 corak warna, dengan warna dasar hitam berpadu corak merah dan putih. Mempunyai ciri khas warna belang merah pada bagian kepala dan belang hitam yang berbentuk u memanjang dari bagian mulut kebelakang [2].

Gambar 2. 3 Ikan koi jenis Showa Sanshoku [13]. 4. Bekko

Bekko merupakan jenis yang mempunyai ciri khas warna dasar putih, merah, merah dengan bintik-bintik hitam. Bekko sendiri mempunyai kelompok yang termasuk jenis bekok yaitu shiro-bekko, aka-bekko, ki-bekko. Perbedaan terhadap corak warna yang mengelompokan jenis bekko ini [2].

Gambar 2. 4 Ikan koi jenis Bekko [13].

5. Utsurimono

Ikan koi jenis ini memiliki warna dasar hitam dengan corak warna putih, kuning atau merah. Adapulan jenis ini mempunyai warna dasar merah emas dengan siripn berwarna hitam, atau tidak berwarna sama sekali. Dikelompokannya menurut warna dasar yang ada pada seluruh tubuh koi [2].

Gambar 2. 5 Ikan koi Jenis Utsurimono [13]. 6. Asagi dan Shusui

Kedua jenis tersebut dijadikan satu kelompok karena mempunyai sisik yang teratur membentuk bangunan jala. Pada asagi memiliki corak dasar warna biru yang berkilau dan terkadang ada yang memiliki corak merah. Pada bagian sampingnya berwarna merah. Sedangkan shusui merupakan hasil kawin silang antara asagi-sanke dengan doitsu. Memiliki corak pada kepala dan punggung berwarna biru, sedangkan pada ujung hidung, pipi dan pangkal sirip memiliki warna merah darah [2].

Gambar 2. 6 Ikan koi jenis Asagi dan Shusui [13]. 7. Koromo

Koi jenis ini adalah hasil perkawinan silang antara ikan koi asagi dan sanshoku. Memiliki warna dasar keperak-perakan atau biru yang terpapar diatas warna merah dan putih [2].

Gambar 2. 7 Ikan koi jenis Koromo [13]. 8. Hikari Moyomo

Ikan koi jenis ini mempunyai corak berwarna metalik(keperakan). Tetapi terkadang ikan ini mempunyai variasi warna tambahan sampai 4 atau 5 warna [2].

Gambar 2. 8 Ikan koi jenis Moyomo [13].

9. Hikari Utsurimono

Ikan koi merupakan keturunan dari utsurimono dengan ogon. Mempunyai 4 jenis macam semuanya merupakan perkawinan dari berbagai jenis lain dengan ogon. Dengan ciri khas warna kemilauan yang kuat dari ogon [2].

Gambar 2. 9 Ikan Koi Jenis Hikari Utsurimono [13]. 10. Kawarimono

Jenis ini terbagi lagi menjadi berbagai macam sekitar 20 macam yang masing-masing mempunyai karakter warna dan corak yang berbeda. Kebanyakan memiliki warna yang polos atau satu warna saja. Seperti hitam polos, kuning, dan beberapa jenis mempunyai bercak-bercak yang berbeda [2].

Gambar 2. 10 Ikan Koi Jenis Kawarimono [13]. 11. Tancho

Ikan jenis ini mempunyai ciri khas belang bulat dibagian kepala. Meskipun corak tubuh lainya berbeda tergantung tancho jenis lainnya. Koi ini dikelompokan menurut warna ditubuhnya tetapi tetap ciri khas terdapat corak bulat merah pada kepala [2].

Gambar 2. 11 Ikan koi jenis Tancho [13].

2.2.2 Citra Digital

Citra mempunyai 2 jenis pada dasarnya yaitu citra analog serta citra digital. Dalam melakukan pengolahan memang lebih mudah citra digital dari pada citra analog, karena citra analog harus melalui proses pengubahan ke citra digital.

Citra Digital adalah sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik kordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Dengan nilai x, y, dan nilai amplitudo f secara secara keseluruhan berhingga (finite) dan bernilai diskrit [14]. Citra digital mempunyai pixel-pixel yang tiap pixelnya memiliki nilai berbeda, perbedaan nilai tersebut tergantung pada jenis warna yang terdapat dalam citra digital. Citra digital mempunyai beberapa jenis berdasarkan nilai dari pixelnya :

1. Citra biner adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Jadi mempunyai nilai 1 dan 0 saja untuk tiap pixel pada citra tersebut [15].

Gambar 2. 12 Citra biner [16]

2. Citra Grayscale adalah citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian red=green=blue. Menjadikan satu nilai antara red, green, dan blue untuk mendapatkan nilai tunggal [15].

Gambar 2. 13 Citra Grayscale [14].

3. Citra warna adalah setiap pixelnya mempunyai nilai red, green, dan blue. Dengan demikian setiap pixel mempunyai tiga nilai warna yag berbeda. Seperti halnya citra asli yang belum diolah [15].

Gambar 2. 14 Citra warna.

Dari nilai pixel itu citra digital diolah untuk mendapatkan informasi yang dapat bermanfaat diberbagai bidang serta dapat dipelajari untuk membuat hal baru. Banyak hal yang dapat dikembangkan serta dimanfaatkan dari citra.

2.2.3 Pengolahan Citra Digital

Pengolahan citra digital adalah ilmu yang menghasilkan teknik-teknik proses mengolah citra. Banyaknya hasil citra yang kurang baik sebagai alasan utama ilmu ini dikembangkan karena didalam sebuah citra terdapat berbagai macam informasi yang dapat diambil, contoh hasil citra kurang baik seperti adanya noise, kabut yang menghalangi saat objek di-capture, lensa kamera kotor, dan banyak yang lain [14]. Pengolahan citra digital dalam penerapanya mempunyai manfaat dalam berbagai bidang yaitu dalam dunia perfilman, keamanan data, proteksi hak cipta, pengenalan pola dan bidang-bidang lain. Beberapa yang sering dijumpai saat mempelajari tentang pengolahan citra digital yaitu seperti Image Processing, Image Analysis, Image Understanding dan Computer Vision [15]. Pada tiap istilah tersebut mempelajari hal berbeda, yang membedakan dari keempat istilah tersebut yaitu :

1. Image Processing berkaitan dengan perbaikan kulitas citra, transformasi gambar, melakukan pemilihan citra ciri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau

proses data. Input dan outputnya berupa citra.

2. Image Analysis berupa input dalam bentuk citra dengan hasil output bukan citra teteapi berupa hasil pengukuran terhadap citra tersebut. 3. Image Understanding input berupa citra dengan hasil outputnya

berbentuk deskripsi tingkat tinggi dari citra tersebut(tidak berupa citra). 4. Computer Vision mempunyai tujuan mengkomputerisasi penglihatan manusia. Dengan menyusun deskripsi yang terkandung pada suatu gambar.

Ada berbagai macam aplikasi yang dapat dibuat dari pengolahan citra digital. Salah satu pengaplikasian dari pengolahan citra digital yaitu image

retrieval. Image retrieval merupakan sebuah aplikasi memanfaatkan

pengolahan citra yang dapat mengambil citra pada database sesuai dengan query atau permintaan pengguna [15]. Citra sebelumnya dianalisa menggunakan ekstraksi fitur untuk mendapat ciri yaitu bentuk, warna dan tekstur. Selanjutnya dicocokan hasil dari ekstraksi fitur tersebut terhadap citra query.

Ektraksi fitur salah satu cara untuk menganalisa citra dengan mengambil karakteristik unik dari objek. Ada berbagai macam metode ekstraksi fitur citra yaitu amplitudo, matriks co-ocurrance, gradient, deteksi tepi, spektrum fourier,

wavelet. Dalam penelitian ini peneliti menggunakan metode matriks co-ocurrence untuk melakukan analisa citra digital.

2.2.4 Gray Level Co-ocurrence Matrix (GLCM)

Dalam pengolahan citra banyak sekali metode yang dapat digunnakan untuk mendapatkan karakteristik citra, salah satu ektraksi fitur untuk menganalisa citra untuk mengambil nilai karakteristiknya yaitu Gray Level

Co-ocurrence Matrix (GLCM). Penggunaan ekstraksi fitur sendiri tergantung dalam

kebutuhan peneliti untuk mengambil nilai yang diinginkan dari citra yang akan diolah.

Gray Level Co-ocurrence Matrix (GLCM) adalah matriks yang

mengambil nilai dari histogram tingkat kedua. Gray Level Co-ocurrence Matrix (GLCM) merupakan matriks yang menggunakan probabilitas dari dua titik 𝑥₁ dan 𝑥2 pada tingkat keabuan dalam jarak tertentu 𝑑 dan orientasi sudut 𝜃

tertentu. Orientasi sudut terbagi dalam 4 arah yaitu 0°_,45°_{, 90}° _{dan 135}° _serta

jarak ditetapkan sebesar 1 pixel, 2 pixel dan seterusnya [15].

Gambar 2. 15 Orientasi Sudut 4 arah [17].

Langkah-langkah untuk membuat Gray Level Co-ocurrence Matrix (GLCM) ternomalisasi sebagai berikut :

1. Normalisasi pixel dengan mengubah rentan nilai intensitas pixel. 𝐼𝑖,𝑗 = (𝐼 − 𝑚𝑖𝑛)

𝑛𝑒𝑤𝑀𝑎𝑥−𝑛𝑒𝑤𝑀𝑖𝑛

𝑀𝑎𝑥−𝑀𝑖𝑛 + 𝑛𝑒𝑤𝑀𝑖𝑛 (2.1)

2. Membuat area kerja.

3. Menentukan hubungan spasial antara pixel referensi dengan piksel tetangga, dengan jarak dan sudut.

4. Menghitung jumlah kookurensi matriks dan mengisikanya pada area kerja.

5. Normalisasi matriks untuk mengubah kebentuk probabilitas. 𝑝(𝑥1, 𝑥2) =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑡𝑖𝑡𝑖𝑘−𝑡𝑖𝑡𝑖𝑘 𝑘𝑒𝑎𝑏𝑢𝑎𝑛 𝑥1 𝑑𝑎𝑛 𝑥2

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑖𝑡𝑖𝑘 𝑝𝑎𝑑𝑎 𝑑𝑎𝑒𝑟𝑎ℎ 𝑠𝑢𝑎𝑡𝑢 𝑐𝑖𝑡𝑟𝑎 (2.2)

Metode Gray Level Co-ocurrence Matrix (GLCM) merupakan metode yang digunnakan untuk melakukan identifikasi atau klasifikasi suatu citra bedasarkan teksturnya. Hasil dari ektraksi akan digunnakan sebagai atribut perhitungan. Gray Level Co-ocurrence Matrix (GLCM) sendiri mempunyai 14 ektrakssi fitur tetapi yang sering digunnakan sebagai penelitian umumnya ada 5 [17].

Adapun beberapa ekstraksi fitur ciri yang digunnakan sebagai pembeda dari tiap citra yaitu :

derajat keabuan sama. Citra yang sama akan memiliki nilai energy yang besar [18].

𝑓1 = ∑ ∑ 𝑝𝑖 𝑗 𝑑2(𝑖, 𝑗) (2.3)

2. Entropi(Entropy)

Menujukan tidak keteraturan bentuk, dengan variasi elemen-elemen matriks kookurensi. Citra yang memiliki transisi derajat keabuan kecil akan memiliki variansi yang kecil juga [18].

𝑓₂ = ∑ ∑ 𝑝𝑑(𝑖, 𝑗) log(𝑝𝑑(𝑖, 𝑗))_{𝑖 𝑗} (2.4) 3. Kontras(Contrast)

Menunjukan tingkat nilai derajat keabuan pada daerah citra. Semakin jauh nilai keabuan dari daerah diagonal utama, maka mempunyai nilai keabuan yang besar [18].

𝑓₃ = ∑ ∑ |𝑖 − 𝑗|2_{𝑝𝑑(𝑖, 𝑗)} 𝑗

𝑖 (2.5)

4. Homogenitas(Homogenety)

Homogenitas ini kesamaan dari variasi isi yang terdapat pada citra menujukan nilai kemiripan dari citra [18].

𝑓4 = ∑ ∑ 𝑝𝑑(𝑖,𝑗) 1+|𝑖−𝑗| 𝑗 𝑖 (2.6) 5. Korelasi(Correlation)

Menunjukan keterkaitan tiap pixel-pixel terhadap nilai ketergantungan linier derajat pada suatu citra abu-abu [18].

𝑓₅ = ∑ ∑ 𝑖𝑗𝑝𝑑(𝑖,𝑗)(𝑖−𝜇𝑥)(𝑗−𝜇𝑦)

𝜎𝑥𝜎𝑦

𝑗

𝑖 (2.7)

2.2.5 Naive Bayes Classification

Klasifikasi mempunyai tujuan untuk memeriksa ciri objek baru dan didefinisikan kedalam kelas yang sudah ditentukan. Objek tersebut diklasifikasikan dengan data yang ada didatabase atau seing disebut data training. salah satu algoritma yang bagus untuk digunakan untuk pengklasifikasian pola yaitu algoritma naive bayes [19].

Dalam penerapannya pengolahan citra yaitu teknik atau metode untuk memilih vektor fitur kedalam kelas-kelas tertentu. Dalam teori bayes

probabilitas apriori (apriori probability) dan probabilitas aposteriori(aposteriori

probability) [5]. Kedua probabilitas saling terkait satu sama lain. Probabilitas

apriori yaitu merupakan probabilitas penglompokan suatu pola kedalam kelas yang telah diketahui. Dapat diestimasikan sebagai berikut.

𝑃(𝐶_𝑖) ≈𝑀𝑖

𝑀 (2.8)

M = menyatakan jumlah total dari pola-pola. 𝑀𝑖 = berkaitan dengan kelas probabilitas.

Probabilitas aposteriori 𝑃(𝐶_𝑖|𝑥) menyatakan probabilitas akhir dari pola x masuk ke kelas 𝐶_𝑖. Probabilitas ini dihitung berdasarkan pada tiga parameter:

1. Vektor fitur pola

2. Fungsi densitas probabilitas bersyarat 𝑃(𝐶𝑖|𝑥) untuk setiap kelas 𝐶𝑖.

3. Probabilitas apriori 𝑃(𝐶_𝑖) untuk setiap kelas 𝐶_𝑖.

Dalam melakukan klasifikasi menggunakan algoritma naive bayes mempunyai langkah-langkah, adapun langkah-langkah tersebut [10].

1. Menghitung probabilitas (prior) tiap kelas yang ada.

2. Lalu menghitung rata-rata (mean) tiap ektraksi fitur yang digunnakan, menggunakan rumus.

𝜇 =∑ 𝑛

𝑘 (2.9)

k = banyaknya data n =nilai data

3. Menghitung nilai standar deviasi dari setiap fitur yang digunnakan, menggunakan rumus. 𝜎 = [( 1 𝑛−1∑ (𝑥𝑖 − 𝜇) 2 𝑛 𝑖=1 )] 0.5 (2.10) 4. Kemudian menghitung nilai densitas probabilitas, dengan

menggunakan rumus.

𝑃(𝑥|𝐶_𝑖) = 1

√2𝜋𝜎ℯ −(𝑥−𝜇)2

2𝜎2 _(2.11)

5. Setelah mendapatkan nilai denstitas probabilitas dan prior, menghitung probabilitas masing-masing kelas.

𝑃(𝐶𝑖|𝑥) = 𝑃(𝑥|𝐶𝑖)𝑃(𝑐) (2.12)

Tingkat akurasi merupakan metode digunakan untuk mengetahui kinerja dari klasifikasi jenis ikan koi menggunakan algoritma naive bayes. Dibutuhkan sebuah metode perhitungan kinerja yaitu akurasi. Setelah mendapatkan nilai akurasi dapat menyimpulkan tingkat akurasi kemiripan dari klasifikasi naive bayes terhadap citra [20].

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑏𝑒𝑛𝑎𝑟

2.3 Kerangka Pikiran

Tabel 2. 2 Kerangka Pikiran Masalah

Adanya persamaan corak pada keenam jenis ikan koi yaitu kohaku, sanke, showa, asagi, shusui dan tancho. Keenam jenis mempunyai tingkat kemiripan hampir sama karena perpaduan dari ketiga warna yaitu putih, merah dan hitam kecuali kohaku yang mempunyai warna merah dan putih saja tetapi kemiripan corak membuat pembeli yang tidak mengetahui pengetahuan tentang ikan koi akan kesulitan membedakan keenam jenis ini. Serta menghitung tingkat akurasi kemiripan yang didapatkan dengan menggunakan algoritma naive bayes dalam pengklasifikasian kelima jenis ikan koi tersebut.

Tujuan

Untuk menghitung tingkat akurasi kemiripan klasifikasi naive bayes dalam mengklasifikasian ketiga jenis ikan koi tersebut.

Eksperimen

Data Metode Tools

Dataset menggunakan dataset publik diperoleh dari internet berupa citra ikan koi jenis kohaku, sanke, showa, asagi, shusui dan tancho

Gray Level Co-occurrence Matrix (GLCM) dan algoritma klasifikasi Naive Bayes

Matlab

Hasil

Mendapatkan tingkat akurasi klasifikasi menggunakan algoritma naive bayes pada keenam jenis ikan koi kohaku, sanke, showa, asagi, shusui dan tancho.

Manfaat

Membantu pembeli mengetahui jenis ikan koi dengan menggunakan citra. Didapatkan hasil klasifikasi ikan koi dengan akurat