Identifikasi Tingkat Kesegaran Ikan Nila Pada Suhu Ruang Secara Otomatis Menggunakan Metode Transformasi Hough dan K-Nearest Neighbor

(1)

1819-796X (p-ISSN); 2541-1713 (e-ISSN)

1

Identifikasi Tingkat Kesegaran Ikan Nila Pada Suhu Ruang Secara Otomatis Menggunakan Metode Transformasi Hough dan

K-Nearest Neighbor

Azkia, Ichsan Ridwan, Amar Vijai Nasrulloh

Program Studi Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lambung Mangkurat

ABSTRAK- Ikan memiliki berbagai kandungan nutrisi di dalamnya dan kualitas ikan dapat dilihat dari tingkat kesegarannya. Pada umumnya penentu kesegaran ikan dilakukan secara sensorik dengan memperhatikan kenampakan, tekstur, bau, rasa dan warna. Penurunan kesegaran ikan dapat mempengaruhi nilai gizi sehingga bisa terjadi penolakan pada pasar domestik maupun global. Pada umumnya kesegaran ikan ditentukan secara sensorik dengan memperhatikan tesktur, bau, rasa dan warna. Adapun cara lain untuk menentukan kesegaran ikan adalah dengan metode kimiawi, organoleptik, dan mikrobiologi namun membutuhkan waktu yang lama dan juga biaya yang cukup besar. Ikan yang banyak dikonsumsi di Indonesia adalah ikan nila dan Indonesia merupakan penghasil ikan nila terbesar ketiga di dunia. Tujuan penelitian ini mendeteksi mata ikan nila secara otomatis dengan metode Transformasi Hough dan identifikasi tingkat kesegaran ikan nila dengan metode K-Nearest Neighbor (KNN) yang akan diklasifikasi berdasarkan waktu penyimpanannya. Proses penelitian dilakukan pada 5 sampel ikan nila sebagai data training dan 2 sampel ikan nila sebagai data testing yang masing - masing diletakkan pada suhu ruang. Tahap berikutnya adalah pengambilan data dilakukan setiap satu jam selama 12 jam. Tahap selanjutnya adalah data tersebut dihitung nilainya melalui program dan metode Gray level co-occurrence matrix (GLCM), rata – rata derajat keabuan dan standar deviasi derajat keabuan. Berdasarkan hasil penelitian terdapat 60 data training dan 24 data testing.

Dari 24 data testing terdapat 22 data yang berhasil di identifikasi dengan benar oleh program. Sehingga tingkat keberhasilan program tersebut adalah 91,67%.

KATA KUNCI: Kesegaran ikan, Transformasi Hough, KNN, GLCM, Derajat Keabuan

ABSTRACT− Fish contains a variety of nutrition and the quality of fish can be seen from the level of freshness. In general, the freshness of the fish is determined sensory by observing the texture, smell, taste and color. Other ways to determine the freshness of fish are chemical, organoleptic, and microbiological methods, but it takes a long time and also quite expensive. The fish that is widely consumed in Indonesia is Nile tilapia and Indonesia is the third largest producer of Nile tilapia in the world. The objective of this study is detecting nile tilapia eyes automatically by using the Hough Transformation method and identifying the freshness level of nile tilapia using the K-Nearest Neighbor (KNN) method which would be classified based on storage time.

The research process was conducted on 5 samples of nile tilapia as training data and 2 samples of nile tilapia as testing data, each placed at room temperature. Next step is data collection is taken every hour for 12 hours.

Further step is the value of the data is calculated through the program and the Gray level co-occurrence matrix (GLCM) method, the average gray level and the gray degree standard deviation. Based on the results of the study there were 60 training data and 24 testing data. Of the 24 testing data, there are 22 data that have been correctly identified by the program. So that the success rate of the program is 91.67%.

KEYWORDS : Fish freshness, Hough transform, KNN, GLCM, Grayscale

PENDAHULUAN

Ikan memiliki berbagai kandungan di

dalamnya seperti protein, omega 3, asam amino esensial yang lengkap, asam-asam

(2)

lemak tidak jenuh, vitamin, dan mineral. Mutu ikan dapat dilihat dari tingkat kesegarannya (Wibowo et al., 2014). Pada umumnya penentu kesegaran ikan dilakukan secara sensorik dengan memperhatikan kenampakan, tekstur, bau, rasa dan warna.

Parameter lain penentu kesegaran ikan yang mudah dan cepat adalah dengan faktor fisik atau melihat keadaan fisiknya. Penurunan nilai mutu kesegaran ikan cenderung cepat terjadi pada mata dan insang. Adapun cara lain untuk menentukan kesegaran ikan adalah dengan metode kimiawi, organoleptik, dan mikrobiogi namun membutuhkan waktu yang lama dan cukup mahal (Pusat Pendidikan Kelautan dan Perikanan, 2019). Salah satu ikan yang banyak dikonsumsi di Indonesia adalah ikan nila. Selain itu Indonesia juga penghasil ikan nila terbesar ketiga di dunia (Balai Penelitian Pemuliaan Ikan, 2014).

Penggunaan pengolahan citra digital dapat digunakan untuk mengetahui perubahan warna yang terjadi pada mata ikan secara berkala. Salah satu metode yang dapat digunakan untuk menentukan perubahan warna mata ikan yaitu K-Nearest Neighbor.

Menurut Situmorang (2019) metode K-Nearest Neighbor merupakan metode klasifikasi objek baru yang tidak diketahui kelasnya dengan cara memilih objek yang letaknya berdekatan dengan objek baru tersebut.

Penelitian yang terkait dengan kesegaran ikan diantaranya adalah Annas (2017) dengan pengamatan selama 9 jam menggunakan metode ekstraksi ciri yang dibandingkan dengan uji coba parameter lain berupa uji organoleptik, derajat keasaman, TVBN, dan ALT bakteri. Dari hasil pengolahan citra dengan uji coba berbagai parameter tersebut dibuat dalam sebuah grafik. Dari grafik dapat dilihat perubahan tingkat kesegaran ikan mulai terjadi pada lama pengamatan 6 jam. Selain itu penelitian dari Bee, Weku & Rindengan (2016) menggunakan 10 sampel ikan yang diambil citra matanya setiap 1 jam selama 15 jam.

Kemudian dilakukan pengolahan citra dengan memotong (cropping) pada bagian tepi mata ikan secara manual. Kemudian dihitung

nilai rata-rata grayscale untuk setiap tekstur citra mata ikan. Lalu nilai rata-rata tersebut diolah dengan metode kuadrat terkecil.

Sehingga menghasilkan perumusan yang akan disimpan sebagai data training. Data training berfungsi sebagai penyimpanan data perhitungan tekstur citra yang menjadi pembanding untuk citra pengujian sehingga diketahui citra pengujian tersebut termasuk ikan segar atau tidak segar.

Dalam penelitian ini difokuskan untuk melakukan cropping secara otomatis sehingga secara tepat mendapatkan batas tepi mata ikan sesuai yang diharapkan berdasarkan fitur citra dari mata ikan tersebut. Adapun metode klasifikasi dan tingkat kesegaran mata ikan berdasarkan derajat keabuan dan metode K- Nearest Neighbor.

METODEPENELITIAN

Tahapan penelitian dapat dilihat pada Gambar 1.

Gambar 1. Tahapan Penelitian Pengambilan citra mata ikan nila

Cropping otomatis citra mata ikan nila

Identifikasi kesegaran ikan dengan klasifikasi k-nearest neighbor

Pembuatan Desain Figure dengan Perangkat Lunak

Pengujian program identifikasi tingkat kesegaran ikan nila Persiapkan alat dan bahan

Pembuatan kotak

(3)

Penentuan Metode

Metode yang digunakan pada penelitian ini adalah transformasi hough untuk cropping otomatis mata ikan. Lalu Perhitungan GLCM, rata – rata derajat keabuan dan standar deviasi derajat keabuan untuk mencari nilai citra.

Kemudian identifikasi tingkat kesegaran menggunakan metode K-Nearest Neighbor berdasarkan hasil perhitungan yang didapat.

Pembuatan Software

Pembuatan program menggunakan GUI (Graphical user Interface) dapat dilihat pada gambar 2.

Gambar 2. Flowchart Program GUI

Pengujian Software

Pengujian software dilakukan dengan melakukan pengolahan data menggunakan program yang telah dibuat. Dengan menggunakan semua data training yang kemudian hasil perhitungannya disimpan dalam sebuah file excel. Kemudian dilakukan pengujian pada data testing untuk mengetahui kinerja program dalam mengidentifikasi tingkat kesegaran ikan nila.

HASILDANPEMBAHASAN Perancangan Desain

Perancangan desain figure mengunakan GUI. Dalam desain ini terdapat pushbutton, axes, statis text dan panel dengan fungsinya masing masing yang nantinya akan saling berkaitan dalam tahap pemrosesan citra.

Gambar 3. Tampilan Gui

Proses Pengolahan Citra

1. Proses Cropping Otomatis Mata Ikan Nila Proses Cropping otomatis mata ikan nila diawali dengan perbaikan kualitas citra menggunakan histogram equalization sehingga membuat citra terlihat lebih jelas dan tajam.

Setelah itu citra akan dikonversi ke grayscale.

Lalu dilakukan deteksi tepi dengan operator canny yang bertujuan untuk menandai bagian yang menjadi detail citra dan untuk memperbaiki detail citra yang kabur.

Dengan deteksi tepi tersebut bentuk lingkaran dari mata ikan nila akan terdeteksi oleh metode transformasi hough. Kemudian akan ditampilkan citra biner dari mata ikan.

Setelah itu akan ditampilkan mata ikan.

Kemudian ditampilkan hasil cropping mata ikan nila. Hasil dari proses cropping otomatis ini mampu untuk memisahkan mata ikan sesuai dengan fitur batas tepi citra sehingga mendapatkan citra mata ikan yang diinginkan menjadi lebih akurat dan juga menghemat waktu pengerjaan.

(4)

Gambar 4. Proses Cropping Otomatis Mata Ikan (a)citra asli (b)citra dengan histogram equalization

(c)citra grayscale (d)deteksi tepi (e)deteksi lingkaran dengan transformasi hough (f)citra biner

(g)citra mata ikan (h)cropping mata ikan

2. Identifikasi Tingkat Kesegaran Ikan Nila dengan K-Nearest Neighbor

Proses Identifikasi diawali dengan pembacaan citra hasil cropping mata ikan, lalu citra tersebut akan dikonversikan menjadi citra grayscale. Selanjutnya dilakukan perhitungan ekstraksi ciri dengan menggunakan metode GLCM, rata – rata derajat keabuan dan standar deviasi derajat keabuan. Berdasarkan hasil perhitungan tersebut akan dikelompokan menjadi 12 level berdasarkan waktu penyimpanan ikan. Kemudian dilakukan identifikasi tingkat kesegaran ikan nila menggunakan metode K-Nearest Neighbor.

Gambar 5. Proses Identifikasi Tingkat Kesegaran Ikan Nila (a)citra asli cropping (b)citra grayscale

Pengujian Program

Sebelum dilakukan pengujian program terlebih dahulu dilakukan pengolahan data training. Data training didapatkan dari 5 sampel ikan yang diambil gambar setiap 1 jam selama 12 jam. Sehingga diperoleh sebanyak 60 data training. Selanjutnya data training diolah dengan cara melakukan cropping mata ikan secara otomatis terlebih dahulu. Kemudian dilakukan ekstraksi ciri terhadap citra cropping, sehingga didapat nilai perhitungan GLCM, rata – rata derajat keabuan dan standar deviasi derajat keabuan. Kemudian data tersebut disimpan pada excel dan dikelompokan menjadi 12 level berdasarkan waktu penyimpanan ikan.

Kemudian dilakukan pengujian program menggunakan data testing. Data testing didapatkan dari 2 sampel ikan yang diambil gambarnya setiap 1 jam selama 12 jam.

Sehingga diperoleh sebanyak 24 data testing.

Kemudian data testing akan diuji oleh program dengan menggunakan data training sebagai data pembanding. Untuk hasil pengujian data testing dapat dilihat pada tabel berikut.

Tabel 1 Nilai GLCM, Rata – rata Derajat Keabuan dan Standar Deviasi Derajat Keabuan

No Sampel Contrast Correlation Energy Homogeneity

Rata-rata Derajat Keabuan

Standar Deviasi Derajat Keabuan 1 1.1 0.480791 0.567439 0.396614 0.931444 33.96306 27.47189 2 1.2 0.35791 0.441195 0.832151 0.949987 6.955 20.88315 3 2.1 0.461582 0.602507 0.527974 0.93099 22.36556 26.98631 4 2.2 0.49322 0.658578 0.402544 0.923203 29.63806 28.35335 5 3.1 0.446893 0.450753 0.768253 0.941442 12.75389 22.94359 6 3.2 0.527684 0.694665 0.267177 0.916764 39.57556 32.29424 7 4.1 0.459322 0.519182 0.718194 0.941423 13.1225 25.23516 8 4.2 0.40113 0.747265 0.316933 0.92996 35.81083 30.29332 9 5.1 0.513559 0.620947 0.372834 0.921258 30.07833 27.90777

(5)

10 5.2 0.515254 0.604097 0.347445 0.919467 31.91694 27.64982 11 6.1 0.49209 0.73904 0.246542 0.927273 50.30444 35.4283 12 6.2 0.39435 0.575026 0.483809 0.941514 37.29528 27.42608 13 7.1 0.427401 0.703188 0.43864 0.919638 27.50694 28.8725 14 7.2 0.50113 0.646847 0.32357 0.928224 42.42278 31.78155 15 8.1 0.431921 0.691729 0.546302 0.927861 22.27167 29.38219 16 8.2 0.39435 0.660284 0.390072 0.937385 40.6275 29.41781 17 9.1 0.419209 0.700342 0.309996 0.927846 43.70028 31.49477 18 9.2 0.455932 0.750604 0.269808 0.918746 50.96083 33.72355 19 10.1 0.487006 0.758966 0.256494 0.927819 54.23111 37.40152 20 10.2 0.540113 0.68102 0.264022 0.919292 48.88694 33.37142 21 11.1 0.50226 0.755084 0.354604 0.929184 59.12 38.37556 22 11.2 0.444068 0.762438 0.321374 0.922159 52.05056 34.10951 23 12.1 0.511864 0.759135 0.239315 0.926067 54.11111 37.83019 24 12.2 0.50565 0.757863 0.446973 0.931604 58.87583 38.1386 Tabel 2 Hasil Identifikasi Tingkat Kesegaran Ikan Nila

No Sampel Hasil Identifikasi Gambar 1 1.1 Usia ikan 1 jam

2 1.2 Usia ikan 1 jam

(6)

Pada table 1 diperlihatkan hasil perhitungan GLCM, rata-rata derajat keabuan, dan standar deviasi derajat keabuan oleh program. Sedangkan tabel 2 menunjukan hasil identifikasi oleh program. Berdasarkan tabel 2 maka diketahui bahwa program dapat mengidentifikasi 22 sampel ikan dengan benar dari 24 jumlah sampel yang digunakan.

Adapun kesalahan identifikasi terdapat pada sampel 8.1 dan 11.1. Sehingga tingkat keberhasilan identifikasi tingkat kesegaran ikan nila secara otomatis menggunakan metode transformasi hough dan K-Nearest Neighbor adalah 91,67%

KESIMPULAN

Berdasarkan data hasil dalam penelitian ini, maka dapat disimpulkan bahwa sistem perangkat lunak mampu untuk melakukan identifikasi tingkat kesegaran ikan nila secara otomatis menggunakan metode transformasi hough dan K-Nearest Neighbor. Sistem telah berhasil melakukan cropping otomatis pada mata ikan nila sehingga dapat secara tepat memilah mata ikan sesuai batas fitur mata tersebut. Sistem juga telah berhasil mengidentifikasi tingkat kesegaran ikan nila berdasarkan waktunya dengan tingkat keberhasilan sebesar 91,67%.

DAFTARPUSTAKA

Adrim, M. & Fahmi. 2010. Panduan Penelitian Untuk Ikan Laut. Jakarta: Pusat Penelitian Oseanografi-LIPI.

Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta:

Graha Ilmu.

Annas, F.Z. 2017. Assesmen Kesegaran Ikan Nila Berdasarkan Perubahan Warna Mata dan Insang Berbasis Pengolahan Citra. Skripsi, Institut Pertanian Bogor, Bogor.

Badan Karantina Ikan Pengendalian Mutu dan Keamanan Hasil Perikanan. 2017.

Petunjuk Teknis Surveilan Kesegaran Ikan, Residu, Bahan Berbahaya, Racun Hayati Laut (Marine Biotoxin), dan Lingkungan Perairan.

BKIMP.

Balai Penelitian Pemuliaan Ikan. 2014. Petunjuk Teknis Budidaya Ikan Nila Srikandi. BPPI.

Bee, D., Weku, W.C.D. & Rindengan, A.J. 2016.

Aplikasi Penentuan Tingkat Kesegaran Ikan Selar Berbasis Citra Digital Dengan Metode Kuadrat Terkecil. Jurnal d’Cartesian. 5(2): 121–130.

Diana. 2010. Pembuatan Watermark Citra Digital dengan Teknik Singular Value Decomposition dan Dual-Tree Complex Wavelet Transform.

Tesis, Universitas Bina Nusantara, Jakarta.

Hasan, M.A. & Liliana, D.Y. 2020. Pengenalan Motif Songket Palembang Menggunakan Deteksi Tepi Canny , PCA dan KNN.

Jurnal Multinetics. 6(1): 1–7.

Herawati, D. & Kardian, A.R. 2018. Analisis Deteksi Tepi Pada Citra Digital Berbasis JPG Dengan Operator Canny Menggunakan Matrix Laboratory. Jurnal Ilmiah Komputasi. 17(3): 191–208.

Kadir, A. & Santoso. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi Offset.

Kementerian Kelautan dan Perikanan. 2018.

Gemar Memasyarakatkan Memakan Ikan : Upaya Peningkatan Gizi Sejak Dini.

https://kkp.go.id/djpt/ppnsungailiat/artik el/6676-gemarikan-

gemarmemasyarakatkan-makan-ikan-

(7)

upaya-peningkatan-gizi-sejak-dini (diakses tanggal 18 Mei 2020).

Khamis, H.S., Cheruiyot, K.W. & Kimani, S.

2014. Application Of k-Nearest Nieghbour Classification In Medical Data Mining.

International Journal of Information and Communication Technology Research. 4(4):

121-128.

Naufal, M.A. 2017. Implementasi Metode Klasifikasi K-Nearest Neighbor (K-NN) untuk Pengenalan Pola Batik Motif Lampung.

Skripsi, Universitas Lampung.

Pramesti, R.P.A. 2013. Identifikasi Karakter Plat Nomor Kendaraan Menggunakan Ekstraksi Fitur ICZ dan ZCZ dengan Metode Klasifikasi K- NN. Skripsi. Institut Pertanian Bogor.

Pusat Pendidikan Kelautan dan Perikanan.

2019. Tingkat Kesegaran Ikan Sebagai

Bahan Baku Olahan.

http://www.pusdik.kkp.go.id/elearning/i ndex.php/modul/read/190116-

120050uraian-c-materi

(diakses tanggal 18 Mei 2020).

Putra, D. 2010. Pengolahan Citra Digital.

Yogyakarta: Andi Publisher.

Putra, P.T.K. & Wirdiani, N.K.A. 2014.

Pengolahan Citra Digital Deteksi Tepi Untuk Membandingkan Metode Sobel, Robert dan Canny. Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi). 2(2): 253–

261.

Setiawan, I., Dewanta, W., Nugroho, H.A., &

Supriyono, H. 2019. Pengolah Citra Dengan Metode Thresholding dengan Matlab R2014A. Jurnal Media Infotama.

15(2): 65–70.

Shih, F. 2010. Image Processing and Pattern Recognition: Fundamentals and Techniques.

New Jersey: IEEE Press.

Siahaan, B.I. 2018. Pendeteksian Ikan Berformalin Melalui Citra Mata Menggunakan Metode Probabilistic Neural Network Berbasis Android. Skripsi, Universitas Sumatera Utara.

Sidik., Firmansyah. & Anwar, S. 2019.

Perbaikan Citra Malam ( Tidak Infrared ) Dengan Metode Histogram Equalization Dan Contrast Stretching. Jurnal

Ilmu Pengetahuan Dan Teknologi Komputer.

4(2): 203–210.

Simonthomas, S. & Thulasi, N. 2013.

Automated Diagnosis of Glaucoma Using Haralick Texture Features. IOSR Journal of Computer Engineering. 15(1): 12–17.

Situmorang, N.W.R. 2019. Penerapan Metode K- Nearest Neighbor dalam Identifikasi Kesegaran Ikan. Skripsi, Universitas Sumatera Utara, Medan.

Solomon, C. & Breckon, T. 2011. Fundamentals of digital image processing. Chichester: A John Wiley & Sons, Ltd.

Sudrajat, A., Wedjatmika. & Setiadharma, T.

2011. Teknologi Budidaya Ikan Bandeng.

Jakarta: KKP-Badan Penelitian dan Pengembangan Kelautan dan Perikanan.

Suguna, N. & Thanushkodi, D.K. 2010. An improved K-Nearest Neighbor classification Using Genetic Algorithm.

International Journal of Computer Science.

7(4): 18-21.

Sutardi & Rezqy, M. 2015. Implementasi Teknik Visible Watermarking dengan Metode One-to-One Mapping pada Citra Digital. Jurnal Ilmiah Teknik Mesin. 7(1): 41–

48.

Utami, S.R. 2014. Perancangan Aplikasi Perbaikan Citra Hasil Pengambilan Webcam Menerapkan Metode Contras Stretching. Jurnal Pelita Informatika Budi Darma. 7(2): 39–43.

Wakhidah, N. 2011. Perbaikan Kualitas Citra Menggunakan Metode Contrast Stretching. Jurnal Transformatika. 8(2): 78–

83.

Wibowo, I., Darmanto, Y. & Anggo, A. 2014.

Pengaruh Cara Kematian Dan Tahapan Penurunan Kesegaran Ikan Terhadap Kualitas Pasta Ikan Nila (Oreochromis Niloticus). Jurnal Pengolahan dan Bioteknologi Hasil Perikanan. 3(3): 95–103.