Klasifikasi Tingkat Kesegaran Ikan Nila Menggunakan K-Nearest Neighbor Berdasarkan Fitur Statistis Piksel Citra Mata Ikan
Rahmat Widadi1,*, Bongga Arifwidodo1, Kholidiyah Masykuroh2, Ariyatno Saputra2
1Fakultas Teknik Telekomunikasi dan Elektro, Prodi Teknik Biomedis, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia
2Fakultas Teknik Telekomunikasi dan Elektro, Prodi Teknik Telekomunikasi, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia
Email: 1,*rahmat@ittelkom-pwt.ac.id, 2bongga@ittelkom-pwt.ac.id, 3kholidiyah@ittelkom-pwt.ac.id, 419101226@ittelkom- pwt.ac.id
Email Penulis Korespondensi: rahmat@ittelkom-pwt.ac.id
Abstrak−Ikan nila sehat akan mengalami penurunan kualitas seiring disimpan diluar air walaupun dengan lemari pendingin sekalipun. Penurunan kualitas ikan dapat dilihat dari mata ikan. Pada penelitian ini bertujuan mengembangkan sistem klasifikasi kesegaran ikan nila berdasarkan citra mata ikan memanfaatkan pengolahan citra dan machine learning. Citra mata ikan diambil dengan interval 0 sampai dengan 16 jam setelah dikeluarkan dari air. Sepuluh ikan nila digunakan pada penelitian ini. Jarak kamera dengan ikan juga diubah dengan variasi 4 jarak. Total data yang diperoleh sebanyak 640 citra mata ikan.
Metode yang digunakan pada klasifikasi citra mata ikan terdiri dari dua tahap yaitu ekstraksi fitur dan klasifikasi. Empat jenis fitur statistis yang digunakan dari nilai piksel citra adalah mean, standar deviasi, skewness, dan kurtosis. Sedangkan pada tahap klasifikasi menggukanan K-Nearest Neighbor. Skenario yang sudah ditentukan selanjutnya digunakan pada tahap implementasi sistem menggunakan Bahasa Pemrograman Python. Pengujian dan analisis menggunakan k-fold cross validation dan confusion matrix. Pada hasil penelitian, didapatkan tingkat akurasi dengan rata-rata 100% yang menggunakan 2 kelas yaitu 0-2 jam dan 2-4 jam, menggunakan 4 kelas didapatkan tingkat akurasi dengan rata-rata 75% yaitu kelas 0-2 jam, 2-4 jam, 10-12 jam dan 14-16 jam, dan menggunakan semua kelas didapatkan tingkat akurasi dengan rata-rata 45%.
Kata Kunci: Ikan Nila; K-Nearest Neighbor (KNN); Mean; Standar Deviasi; Kurtosis; Skewness
Abstract−Healthy tilapia will experience a decrease in quality when stored out of water even with the refrigerator. The decline in fish quality can be seen from the fish's eye. In this study the aim was to develop a tilapia freshness classification syst em based on fisheye images utilizing image processing and machine learning. Fisheye images were taken at intervals of 0 to 16 hours after being removed from the water. Ten tilapias were used in this study. The distance between the camera and the fish has also been changed with a variation of 4 distances. The total data obtained is 640 fisheye images. The method used in fisheye image classification consists of two stages, namely feature extraction and classification. The four types of statistical features used from image pixel values are the mean, standard deviation, skewness, and kurtosis. While at the classification stage using K-Nearest Neighbor. The scenario that has been determined is then used at the system implementation stage using the Python Programming Language. Testing and analysis using k-fold cross validation and confusion matrix. In the results of the study, the accuracy rate was obtained with an average of 100% using 2 classes, namely 0-2 hours and 2-4 hours. The accuracy rate using 4 classes was obtained with an average of 75%, namely classes 0-2 hours, 2-4 hours, 10-12 hours, and 14-16 hours, and when using all classes, an average accuracy rate of 45% is obtained.
Keywords: Tilapia; K-Nearest Neighbor (KNN); Mean; Standard Deviation; Kurtosis; Skewness
1. PENDAHULUAN
Budidaya ikan di dunia didominasi oleh Asia, yang telah menghasilkan 89 % dari total produksi dalam 20 tahun terakhir. Cina menempati posisi pertama sedangkan Indonesia diperingkat dua pada tahun 2018 [1]. Jenis ikan air tawar yang banyak diproduksi adalah ikan nila (Oreochromis niloticus) yaitu sebanyak 1.169.144,54 ton, hanya kalah dari hasil produksi budidaya rumput laut sebanyak 10.320.225,57 ton [2]. Jumlah produksi ikan nila ini sebaiknya diimbangi dengan kualitas produk yang baik sehingga tidak hanya memberikan manfaat dari segi ekonomi namun juga mendukung kesehatan masyarakat. Ikan nila sangat penting pada bidang akuakulur sebagai spesies invasif diseluruh dunia [3], [4]. Selain itu ikan merupakan sumber protein hewani termurah bagi sebagian masyarakat termasuk mereka yang tidak mengkonsumsi daging merah, ibu hamil, dan ibu menyusui [5]. Ikan nila akan mengalami penurunan kesegaran pada saat penyimpanan (diluar air) walaupun menggunakan lemari pendingin atau pengawet ikan sekalipun [6]. Penurunan kesegaran ikan nila dapat dilihat dari mata ikan [7], [8].
Dengan tingkat produksi yang tinggi serta perlunya menjaga kualitas ikan nila, berbagai penelitian telah dilakukan untuk mengetahui kesegaran ikan nila. Klasifikasi dua kelas berupa citra ikan nila dan non-ikan nila pada [9]
menggunakan algoritma Speeded Up Robust Features (SURF) dan Scale Invariant Feature Transform (SIFT) pada tahap ekstraksi fitur serta Artificial Neural Network (ANN), K-Nearest Neighbor, dan Support Vector Machine pada tahap klasifikasi. Hasil eksperimen yang diperoleh menunjukkan SVM dengan fungsi linier mencapai kinerja terbaik dengan akurasi 94,4% untuk ekstraksi fitur SURF. Penelitian [10] menggunakan Convolutional Neural Network tipe v3 untuk mengklasifikasi dua kelas citra ikan nila. Kelas pertama ikan nila hidup serta kelas kedua berupa ikan nila yang terjangkit bakteri dan parasit. Akurasi yang diperoleh pada iterasi nol adalah 56 % dan pada iterasi 1000 diperoleh akurasi 100%. Metode optimisasi yang digunakan adalah Adam. Sedangkan pada penelitian [11], klasifikasi kesegaran ikan nila berbasis citra menggunakan arsitektur Convolutional Neural Network dengan arsitektur VGG-16 dan Bi-directional Long Short Term Memory. Akurasi yang diperoleh sebesar 98 % pada dua
Rahmat Widadi, Copyright © 2023, MIB, Page 243 kelas: segar dan tidak segar. Pembagian kelas ikan nila menjadi segar dan tidak segar masih bergantung pada pendapat ahli. Hal ini memungkinkan perbedaan pendapat antar ahli mengenai kesegaran ikan nila. Pada penelitian yang kami ajukan terdapat delapan kelas sehingga klasifikasi tingkat kesegaran menjadi lebih detail. Selain itu, penentuan kelas juga lebih jelas yaitu seberapa lama ikan telah keluar dari air dan mengalami proses penyimpanan.
Penelitian yang kami usulkan bertujuan untuk mengetahui tingkat kesegaran ikan nila pada masa penyimpanan berdasarkan citra mata ikan. Klasifikasi tingkat kesegaran ikan ini menggunakan metode pengolahan citra dan machine learning. Citra mata ikan diperoleh dari 10 ikan nila dengan variasi pengambilan 0-2 jam, 2-4 jam, 4-6 jam, 6-8 jam, 8-10 jam, 10-12 jam, 12-14 jam, dan 14-16 jam setelah ikan diambil dari air. Variasi jarak kamera dengan ikan pun dilakukan yaitu 5 cm, 6 cm, 7 cm, dan 8 cm.
2. METODOLOGI PENELITIAN
Pada bagian ini akan dipaparkan mengenai metode penelitian yang dipakai oleh peneliti. Selain itu, rencana pengujian sistem pun akan dijelaskan pada salah satu subbab. Subbab pada bagian ini mencakup penjelasan tentang Diagram Alur Penelitian, Perancangan Sistem, Skenario Pengujian, dan K Nearest Neighbor.
2.1 Diagram Alir Penelitian
Diagram alir penelitian merupakan gambaran tahapan yang akan dilalui pada penelitian ini. Diagram alir penelitian dibedakan menjadi tiga yaitu diagram alir penelitian secara umum, diagram alir simulasi, dan pengujian. Adapun pemaparan ketiga diagram alir tersebut adalah sebagai berikut.
a. Diagram Alir Penelitian Secara Umum
Diagram alir penelitian secara umum merepresentasikan gambaran tahapan umum yang akan dilakukan peneliti pada penelitian ini. Adapun alur umum dari penelitian ini disajikan pada Gambar 1 sebagai berikut.
Gambar 1. Diagram Alir Penelitian Secara Umum
Pada Gambar 1, terlihat bahwa penelitian diawali dengan kajian pustaka. Kegiatan ini berupa pencarian sumber referensi yang kredibel dan relevan dengan apa yang akan diteliti. Sumber yang digunakan berupa buku, jurnal, mauun hasil konferensi. Setelah proses tersebut dilakukan, maka peneliti selanjutnya menentukan metode yang akan dipakai pada penelitian. Atas beberapa pertimbangan (kemudahan implementasi, dan akurasi), maka didapatkan metode yang akan dipakai yaitu Mean, Standar Deviasi, Kurtosis dan skewness untuk tahap ekstraksi ciri dan k-nearest neighbor untuk tahap klasifikasi. Setelah itu, peneliti meriset kode program untuk metode yang akan dipakai. Riset dilakukan dengan mengacu kepada penelitian sebelumnya, Peneliti akan mengombinasikan kode program yang tersedia dan melakukan modifikasi yang disesuaikan dengan kebutuhan pada penelitian.
Setelah kode program terbuat, maka selanjutnya akan dilakukan pengimplementasiannya pada python. Jika kode program tidak berfungsi sebagaimana mestinya, maka akan dilakukan riset yang lebih mendalam. Tetapi, jika kode program sudah berfungsi, maka proses pelatihan dan pengujian citra pun akan bisa dilakukan. Setelah citra dilatih dan diuji, maka selanjutnya adalah proses pengklasifikasian dan analisis hasil keluaran. Citra akan diklasifikasikan ke dalam seberapa lama ikan mati dalam satuan jam. Setelah semua citra diklasifikasikan, maka tahapan terakhir dari penelitian ini adalah melakukan analisis terhadap hasil yang diperoleh. Analisis dilakukan terhadap pengujian akurasi.
b. Diagram Alur Simulasi
Diagram alur simulasi dan pengujian menunjukkan proses lebih detail dari pengolahan citra mata ikan pada penelitian ini. Proses ini diawali dengan pelatihan citra mata ikan segar dan tidak segar. Adapun diagram alur
pelatihan citra tersaji pada Gambar 2 sebagai berikut.
Gambar 2. Diagram Alir Pelatihan Citra
Pada Gambar 2, proses pelatihan citra diawali dengan menyiapkan set data citra latih. Setelah set data citra latih didapat, maka akan dilakukan preprocessing. Setelah itu, data dilatih dengan fitur Mean, Standar Deviasi, Kurtosis dan skewness dari citra mata ikan. Fitur-fitur ini merupakan nilai-nilai statiskik [12]–[15] dari nilai pikesel citra. Nantinya, basis data ini akan digunakan pada proses pengujian citra untuk menentukan kondisi citra masukan.
c. Diagram Alir Pengujian
Setelah proses pelatihan citra dilakukan, maka tahap selanjutnya adalah proses pengujian citra. Proses ini merupakan proses inti dari penelitian untuk mengetahui akurasi sistem yang dibuat. Adapun diagram alir pengujian citra tersaji pada Gambar 3 sebagai berikut.
Gambar 3. Diagram Alir Pengujian
Pada Gambar 3, pengujian citra diawali dengan menyiapkan set data citra uji yang selanjutnya dilakukan preprocessing citra. Setelah itu, citra akan diidentifikasi ciri-cirinya dengan metode Mean, Standar Deviasi, Kurtosis dan skewness dan hasil ekstraksi tersebut akan diklasifikasikan dengan rujukan basis data citra latih yang sudah dibuat sebelumnya. Ketika hasil klasifikasi menunjukkan adanya parameter indikasi ikan segar sesuai basis data citra latih, maka citra tersebut akan diklasifikasikan pada kondisi ikan segar. Sebaliknya, jika hasil klasifikasi menunjukkan tidak adanya parameter indikasi ikan tidak segar sesuai basis data citra latih, maka citra tersebut akan diklasifikasikan pada kondisi ikan tidak segar. Setelah itu, sistem akan dievaluasi performansinya dengan menggunakan confusion matrix.
d. Skenario Pengujian
Pengujian sistem bertujuan untuk mengetahui kelayakan sistem. Hal tersebut dilakukan dengan cara menganalisis parameter-parameter yang berpengaruh pada optimalisasi sistem, sehingga kelebihan dan kekurangan sistem bisa diketahui. Pada penelitian ini, skenario pengujian meliputi beberapa hal sebagai berikut.
1. Pengujian dilakukan terhadap citra mata ikan segar dan mata ikan tidak segar. Total citra latih sebanyak 640 buah.
Rahmat Widadi, Copyright © 2023, MIB, Page 245 2. Pada tahap ini dilakukan pra-pemrosesan seperti yang sudah dijelaskan sebelumnya. Citra akan mengalami
resizing menjadi berukuran 1168 𝑥 1168 piksel. Hal ini dilakukan agar mempercepat proses komputasi.
Tahap ini berupa perlakuan ekstraksi ciri dengan menggunakan nilai statistik yang digunakan untuk ekstraksi ciri Mean, Standar Deviasi, Kurtosis dan skewness, terhadap citra guna mencari ciri-ciri citra yang kemudian menjadi informasi dari objek citra tersebut. Selanjutnya, citra akan dicocokkan dengan basis data citra latih untuk didapatkan hasil kondisi citra tersebut. Akurasi yang dimaksud adalah seberapa besar kesesuaian kondisi citra uji terhadap keadaan sebenarnya dari citra tersebut. Parameter ini nantinya akan menentukan presentase tingkat akurasi sistem yang akan dibuat. Akurasi sistem akan dievaluasi menggunakan confusion matrix.
2.2 K-Nearest Neighbor
K-Nearest Neighbor (KNN) adalah metode non-parametrik yang digunakan untuk klasifikasi [16]. KNN merupakan salah satu algoritma klasifikasi terbimbing (supervised). Data baru yang masuk diklasifikasikan berdasarkan mayoritas kelas tetangga terdekat. KNN tidak menggunaan model tertentu melainkan menggunakana memori data latih berupa kelas dan jarak masing-masing data. Keuntungan KNN adalah metode ini sederhana [17]. Hanya terdapat dua parameter yang harus ditentukan yaitu (1) jumlah tetangga, k, dan (2) perhitungan jarak yang akan digunakan. Pada penelitian ini jumlah tetangga, k, akan divariasi dari 1-10. Sedangkan jenis perhitungan jarak yang digunakan adalah Euclidean, Chebyshev, dan Minkowski. Perhitungan jarak Euclidean, Chebyshev, dan Minkowski masing-masing ditunjukan pada persamaan 1-3 [18]–[20].
d(x, y) = √(∑ni=1(xi− yi)2) (1)
d(x, y) = maxi=1n |xi− yi| (2)
d(x, y) = (∑ni=1(xi− yi)q)
1
q (3)
d(x, y) = jarak skalar dari 2 buah vektor data x dan data y yang berupa matriks ukuran dimensi n = ukuran dimensi data
xi = data pelatihan yi = data uji
3. HASIL DAN PEMBAHASAN
2.1 Variasi Nilai K pada KNN
Pada skenario variasi nilai pada KNN, hasil yang diperoleh dengan membandingkan pengubahan nilai K dari 1 hingga 10. Gambar 4 menampilkan akurasi yang diperoleh pada setiap penggunaan nilai k tertentu. Akurasi terbesar pada pengujian terdapat pada nilai K=10 dimana mempunyai akurasi 35 % sedangkan nilai akurasi terkecil berada pada nilai k = 2 dengan nilai akurasi 29 %. Dengan menggunakan nilai k semakin besar nilai akurasi dapat meningkat dikarenakan nilai k berfungsi untuk menentukan nilai tetangga terdekat dari nilai pembacaan yang menjadi acuan.
Gambar 4. Grafik Akurasi dengan Skenario Jumlah Tetangga K 2.2 Variasi Jarak Euclidean, Chebyshev, dan Minkowski
Pada skenario ini terdapat perbandingan hasil akurasi antara penggunaan perhitungan jarak pada KNN. Variasi jenis pengukuran jaran meliputi euclidean, chebyshev, dan minkowski. Pada penelitian ini menggunakan 10-fold cross validation sehingga terdapat sepuluh kali proses pelatihan dan pengujian. Hasil yang terdapat pada Gambar 5 menunjukan bawasannya nilai akurasi tertinggi dengan menggunakan Jarak euclidean pada nilai K-fold 2 dan 10 dimana nilai akurasi 40 %, Jarak chebyshev memiliki akurasi tertinggi pada nilai K-fold 8 dimana nilai akurasi
31 29 30 30 31 34
31 32 33 35
0 10 20 30 40
1 2 3 4 5 6 7 8 9 10
A ku ra si (%)
K pada KNN
50 %, sedangkan Jarak minkowski memiliki akurasi tertinggi pada nilai K-fold 3 dimana nilai akurasi 43 %.
Sehingga dapat diketahui bahwa pada algoritma k-NN metode perhitungan jarak yang terbaik memiliki akurasi tertinggi adalah chebyshev yaitu sebesar 50%.
Gambar 5. Perbandingan akurasi matrik Euclidean, Chebyshev, dan Minkowski 2.3 Variasi Jumlah Kelas (Tingkat) Kesegaran Ikan Nila
a. Kelas 2 jam dan 16 jam
Pada skenario ini dapat dilihat, hasil yang diperoleh dengan membandingkan kelas 2 jam dan 16 jam nilai K-fold dari 1 hingga 10. Gambar 6 menunjukan akurasi terbesar pada pengujian terdapat pada nilai K-fold 2, 7, 8 dan 9 dimana mempunyai akurasi 100 % sedangkan nilai akurasi terkecil berada pada nilai K-fold 1 dan 6 dengan nilai akurasi 81 %.
Gambar 6. Akurasi Kelas 2 Jam dan 16 Jam
Tabel 1 merupakan contoh confusion matrix pada salah satu skenario. Berdasarkan confusion matrix dapat diukur tingkat kinerja sistem. Tingkat kinerja yang diukur antara lain adalah tingkat akurasi.
Tabel 1. Confusion Matrix Kelas 2 Jam dan 16 Jam
Accuracy = TP + TN
TP + TN + FP + FN x 100 % = 8+8
8+8+0+0 x100 = 100 %
Hasil dari Tabel 1 adalah tabel confusion matrix. Penelitian ini mengukur kinerja sistem dengan akurasi.
Nilai akurasinya adalah 100 %. Nilai ini menandakan kinerja yang sepenuhnya dapat membedakan ikan yang telah keluar dari air 2 jam dengan ikan yang sudah 16 jam keluar dari air.
b. Kelas 2 jam, 4 jam, 14 jam, dan 16 jam
Pada skenario ini, KNN digunakan untuk membedakan empat citra mata ikan yaitu kelas 2 jam, 4 jam, 14 jam dan 16 jam. Proses pengujian juga menggunakan 10-fold cross validation. Hasil akurasi dari fold-1 sampai fold-10 ditunjukan pada Gambar 7. Nilai yang diperoleh pada gambar tersebut menunjukan akurasi terbesar pada
37 40 31
25
35 35 23
32 29 40 31
40 34
18 40
29 39
50
26 34 34 37
43
28 25 28 28 40
34 40
0 10 20 30 40 50 60
1 2 3 4 5 6 7 8 9 10
A ku ra si (%)
K FOLD
Euclidean Chebyshev Minkowski
81
100 93 87 87 81
100 100 100 93
0 20 40 60 80 100 120
1 2 3 4 5 6 7 8 9 10
A ku ra si (%)
K FOLD
Predict Actual 2 16 2 8 0 16 0 8
Rahmat Widadi, Copyright © 2023, MIB, Page 247 pengujian terdapat pada nilai K-fold 1 dimana mempunyai akurasi 75 % sedangkan nilai akurasi terkecil berada pada nilai K-fold 3 dan 9 dengan nilai akurasi 50 %.
Gambar 7. Akurasi Kelas 2 Jam, 4 Jam, 14 Jam dan 16 Jam Tabel 2. Klasifikasi Data dengan Kelas 2 Jam, 4 Jam, 14 Jam dan 16 Jam
Tabel 2 merupakan contoh Confusion Matrix hasil pengujian sistem pada fold 1. Berdasarkan Tabel 2 dapat diukur kinerja atau tingkat kebenaran pada proses klasifikasi yang dilakukan oleh sistem. Tingkat kinerja yang diukur adalah tingkat akurasi. Nilai akurasinya adalah 75 %.
Accuracy = 7+6+7+4
7+1+2+6+7+1+4+4 x100 % = 75 %
c. Kelas 2 jam, 4 jam, 6 jam, 8 jam, 10 jam, 12 jam, 14 jam dan 16 jam (Semua Kelas)
Pada skenario ini digunakan seluruh kelas citra mata ikan nila yaitu kelas 2 jam, 4 jam, 6 jam, 8 jam, 10 jam, 12 jam, 14 jam dan 16 jam. Akurasi dari 10-fold cross validation ditunjukan pada Gambar 8. Gambar tersebut menunjukan akurasi terbesar pada pengujian terdapat pada nilai K-fold 8 dengan akurasi 45 %. Sedangkan nilai akurasi terkecil berada pada nilai K-fold 9 dengan nilai akurasi 23 %.
Gambar 8. Akurasi Penggunaan Semua Kelas Tingkat Kesegaran Ikan Nila Tabel 3. Klasifikasi data dengan Semua Kelas
Predict Actual
2 4 6 8 10 12 14 16 2 2 1 0 2 2 1 0 0 4 2 3 1 1 1 0 0 0 6 2 4 2 0 0 0 0 0 8 0 1 2 3 0 1 1 0 75
65
50 53 53 53 53
40
50 56
0 10 20 30 40 50 60 70 80
1 2 3 4 5 6 7 8 9 10
A ku ra si (%)
K FOLD
34
40 39 40 29
35 31 45
23 26
0 10 20 30 40 50
1 2 3 4 5 6 7 8 9 10
A ku ra si(% )
K FOLD
Predict Actual 2 4 14 16
2 7 1 0 0
4 2 6 0 0
14 0 0 7 1 16 0 0 4 4
Predict Actual
2 4 6 8 10 12 14 16 10 2 0 0 1 2 1 2 0 12 0 0 0 1 3 4 0 0 14 0 0 0 1 3 1 2 1 16 0 0 0 1 0 3 2 2
Tabel 3 merupakan contoh confusion matrix klasifikasi citra mata ikan nila menggunakan KNN. Total terdapat 8 kelas pada skenario ini. Kinerja sistem yang diukur adalah tingkat akurasi. Perhitungan tingkat akurasi dapat dihutung sebagai berikut.
Accuracy = = 2+3+2+3+2+4+2+2
10+10+28+16 x100 % = 31,25 %
Nilai akurasinya adalah 31,25 %. Nilai ini cukup rendah untuk sistem klasifikasi, kinerja ini berarti sistem memiliki kinerja yang kurang baik. Dari pengujian akurasi berdasarkan kelas dapat disimpulkan bahwa metode K–
Nearest Neighbor terdapat kelemahan yaitu semakin banyak jumlah kelah akan mempengaruhi akurasi, semakin banyak kelas akan menurunkan akurasi.
4. KESIMPULAN
Berdasarkan hasil dan pembahasan penelitian, maka terdapat beberapa kesimpulan diantaranya yaitu penentuan kelas citra mata ikan nila dilakukan dengan kombinasi empat ciri statistik mean, standar deviasi, kurtosis, dan skweness menggunakan klasifikasi K–Nearest Neighbor. Jarak Chebyshev Euclidean maupun Minkowski dengan menghasilkan akurasi terbaik pada sebagian besar ukuran K-fold, sedangkan jarak Euclidean maupun Minkowski menjadi perhitungan jarak terburuk berdasarkan akurasinya. Berdasarkan jumlah kelas dapat disimpulkan bahwa metode K–Nearest Neighbor terdapat kelemahan yaitu semakin banyak jumlah kelah akan mempengaruhi akurasi, semakin banyak kelas akan menurunkan akurasi.
UCAPAN TERIMAKASIH
Penulis ucapkan terimakasih kepada Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi khususnya Direktorat Jenderal Pendidikan Tinggi, Riset, dan Teknologi yang telah membiayai penelitian ini pada skema Penelitian Dosen Pemula (PDP).
REFERENCES
[1] Food and Agriculture Organization of the United Nation, The State of World Fisheries and Aquaculture 2020. FAO, 2020. doi: 10.4060/ca9229en.
[2] Kementerian Kelautan dan Perikanan Republik Indonesia, “Produksi Ikan Dengan Perbandingan Jenis Ikan,” 2018.
https://statistik.kkp.go.id/home.php?m=total_ikan&i=2#panel-footer
[3] P. C. Hubbard, “Pheromones, Fish,” in Encyclopedia of Reproduction, Elsevier, 2018, pp. 458–464. doi: 10.1016/B978- 0-12-809633-8.20592-X.
[4] T. O. Magbanua and J. A. Ragaza, “Selected dietary plant-based proteins for growth and health response of Nile tilapia Oreochromis niloticus,” Aquac. Fish., p. S2468550X22000703, Apr. 2022, doi: 10.1016/j.aaf.2022.04.001.
[5] F. Jim, P. Garamumhango, and C. Musara, “Comparative Analysis of Nutritional Value of Oreochromis niloticus (Linnaeus), Nile Tilapia, Meat from Three Different Ecosystems,” J. Food Qual., vol. 2017, pp. 1–8, 2017, doi:
10.1155/2017/6714347.
[6] D. I. Ariestya, F. Swastawati, and E. Susanto, “Antimicrobial Activity of Microencapsulation Liquid Smoke on Tilapia [Oreochromis Niloticus (Linnaeus, 1758)] Meat for Preservatives in Cold Storage (± 5 C°),” Aquat. Procedia, vol. 7, pp.
19–27, Aug. 2016, doi: 10.1016/j.aqpro.2016.07.003.
[7] T. Hidayat, “QUALITY ASSURANCE OF TILAPIA FISH (Oreochromis niloticus) FRESHNESS WITH TREATMENT OF WEEDING,” Food Sci. J., vol. 2, no. 2, p. 87, Dec. 2020, doi: 10.33512/fsj.v2i2.10139.
[8] J.-W. Choi et al., “Novel application of an optical inspection system to determine the freshness of Scomber japonicus (mackerel) stored at a low temperature,” Food Sci. Biotechnol., vol. 29, no. 1, pp. 103–107, Jan. 2020, doi:
10.1007/s10068-019-00639-z.
[9] M. M. M. Fouad, H. M. Zawbaa, N. El-Bendary, and A. E. Hassanien, “Automatic Nile Tilapia fish classification approach using machine learning techniques,” in 13th International Conference on Hybrid Intelligent Systems (HIS 2013), Gammarth, Tunisia, Dec. 2013, pp. 173–178. doi: 10.1109/HIS.2013.6920477.
[10] R. M. Hernandez and A. A. Hernandez, “Classification of Nile Tilapia using Convolutional Neural Network,” in 2019 IEEE 9th International Conference on System Engineering and Technology (ICSET), Shah Alam, Malaysia, Oct. 2019, pp. 126–131. doi: 10.1109/ICSEngT.2019.8906453.
[11] M. A. Rayan, A. Rahim, M. A. Rahman, Md. A. Marjan, and U. A. Md. E. Ali, “Fish Freshness Classification Using Combined Deep Learning Model,” in 2021 International Conference on Automation, Control and Mechatronics for Industry 4.0 (ACMI), Rajshahi, Bangladesh, Jul. 2021, pp. 1–5. doi: 10.1109/ACMI53878.2021.9528138.
Rahmat Widadi, Copyright © 2023, MIB, Page 249 [12] S. M. Gandhi and B. C. Sarkar, “Conventional and Statistical Resource/Reserve Estimation,” in Essentials of Mineral
Exploration and Evaluation, Elsevier, 2016, pp. 271–288. doi: 10.1016/B978-0-12-805329-4.00018-1.
[13] A. P. King and R. J. Eckersley, “Descriptive Statistics I: Univariate Statistics,” in Statistics for Biomedical Engineers and Scientists, Elsevier, 2019, pp. 1–21. doi: 10.1016/B978-0-08-102939-8.00010-4.
[14] J. Lazar, J. H. Feng, and H. Hochheiser, “Statistical analysis,” in Research Methods in Human Computer Interaction, Elsevier, 2017, pp. 71–104. doi: 10.1016/B978-0-12-805390-4.00004-2.
[15] X. Wang, Y. Liu, B. Xu, L. Li, and J. Xue, “A statistical feature based approach to distinguish PRCG from photographs,”
Comput. Vis. Image Underst., vol. 128, pp. 84–93, Nov. 2014, doi: 10.1016/j.cviu.2014.07.007.
[16] D. Chanal, N. Yousfi Steiner, R. Petrone, D. Chamagne, and M.-C. Péra, “Online Diagnosis of PEM Fuel Cell by Fuzzy C-Means Clustering,” in Encyclopedia of Energy Storage, Elsevier, 2022, pp. 359–393. doi: 10.1016/B978-0-12-819723- 3.00099-8.
[17] C. Mahanty and B. K. Mishra, “Medical data analysis in eHealth care for industry perspectives: applications,” in An Industrial IoT Approach for Pharmaceutical Industry Growth, Elsevier, 2020, pp. 305–335. doi: 10.1016/B978-0-12- 821326-1.00013-9.
[18] Ö. F. Ertuğrul and M. E. Tağluk, “A novel version of k nearest neighbor: Dependent nearest neighbor,” Appl. Soft Comput., vol. 55, pp. 480–490, Jun. 2017, doi: 10.1016/j.asoc.2017.02.020.
[19] É. O. Rodrigues, “Combining Minkowski and Chebyshev: New distance proposal and survey of distance metrics using k-nearest neighbours classifier,” Pattern Recognit. Lett., vol. 110, pp. 66–71, Jul. 2018, doi:
10.1016/j.patrec.2018.03.021.
[20] O. A. Akanbi, I. S. Amiri, and E. Fazeldehkordi, “Research Methodology,” in A Machine-Learning Approach to Phishing Detection and Defense, Elsevier, 2015, pp. 35–43. doi: 10.1016/B978-0-12-802927-5.00003-4.
