i
CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR
CLASSIFICATION OF FISH KOI USING GRAY LEVEL
CO-OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR
Diajukan untuk memenuhi salah satu syarat Memperoleh gelar Sarjana Teknik Informatika
Disusun Oleh:
Nama
: Pungky Christiawan
NIM
: A11.2012.06566
Program Studi
: Teknik Informatika-S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2016
ii
Nama : Pungky Christiawan
NIM : A11.2012.06566
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Ikan Koi Menggunakan Gray Level Co-occurrence Matrikx dan k - Nearest Neighbor
Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 29 Juli 2016
Menyetujui: Mengetahui:
Pembimbing Dekan Fakultas Ilmu Komputer
Catur Supriyanto, S. Kom, M.CS Dr. Abdul Syukur
iii
Nama : Pungky Christiawan
NIM : A11.2012.06566
Program Studi : Teknik Informatika Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Ikan Koi Menggunakan Gray Level Co-occurrence Matrikx dan k-Nearest Neighbor
Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal 29 Juli 2016. Menurut pandangan kami, tugas akhir ini
memadai dari segi kualitas maupun kuantitas untuk tujuan penganugerahan gelar Sarjana Komputer (S.Kom)
Semarang, 29 Juli 2016 Dewan Penguji:
Setia Astuti, S.Si, M.Kom Edy Mulyanto, S.Si, M.Kom
NPP. 0686.11.1994.058 NPP. 0686.11.1993.040
Anggota 1 Anggota 2
T. Sutojo, S.Si, M.Kom
NPP. 0686.11.1996.094 Ketua Penguji
iv ini, saya:
Nama : Pungky Christiawan NIM : A11.2012.06566
Menyatakan bahwa karya ilmiah yang berjudul :
Klasifikasi Ikan Koi Menggunakan Gray Level Co-occurrence Matrikx dan k-Nearest Neighbor
merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang Pada tanggal : 29 Juli 2016
Yang menyatakan
v ini, saya:
Nama : Pungky Christiawan NIM : A11.2012.06566
demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalt-Free Right) atas karya ilmiah saya yang berjudul:
Klasifikasi Ikan Koi Menggunakan Gray Level Co-occurrence Matrikx dan k-Nearest Neighbor beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Semarang Pada tanggal : 29 Juli 2016
Yang menyatakan
vi
Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “KLASIFIKASI IKAN KOI MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR” dapat penulis selesaikan sesuai dengan rencana dan tepat waktu dalam penyusunan tugas akhir ini, banyak pihak yang telah memberikan bantuan baik materi maupun spiritual, sehingga pada kesempatan ini penulis ingin mengucapkan rasa terimakasih yang
sebesar–besarnya kepada:
1. Dwi Artanto S.Sos dan Nurwaningsih, selaku orang tua saya yang selalu memberikan dukungan, motivasi dan tidak pernah berhenti berdoa sehingga saya dapat menyelesaikan tugas akhir ini.
2. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
3. Dr. Abdul Syukur, selaku Dekan Fasilkom.
4. Heru Agus Santoso, Ph.D selaku Ka. Progdi Teknik Informatika.
5. Catur Supriyanto, S. Kom, M.CS, selaku pembimbing tugas akhir yang selalu memberikan motivasi, bimbingan, arahan, dan informasi referensi yang penulis butuhkan dalam bimbingan yang berkaitan dengan penelitian penulis. 6. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika
Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengalamannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan.
7. Teman-teman semuanya, khususnya STI-01 dan asisten laboratorium komputer FIK yang selalu memberikan dukungan dan motivasi kepada saya untuk menyelesaikan tugas akhir ini.
vii
Semarang, 29 Juli 2016
viii
melakukan klasifikasi atau pengenalan pada sebuah objek ikan dengan menggunakan citra. Ikan koi adalah salah satu jenis ikan hias yang sangat digemari oleh para pecinta ikan hias, khususnya penggemar ikan hias koi di Indonesia. Ikan koi sangat popular di kalangan masyarakat. Akan tetapi banyak para penggemar ikan koi yang hanya asal beli tanpa mengetahui apa jenis ikan koi tersebut. Para penggemar ikan koi yang baru ingin memulai hobi mereka dalam mengkoleksi ikan hias tersebut merasa tidak tau jenis-jenis ikan koi yang mereka beli. Masalah pengenalan ikan koi dapat diselesaikan dengan menggunakan fitur ekstraksi ciri GLCM (Gray Level Co-occurrence Matrix) dan untuk mengklasifikasikan jenis-jenis ikan koi dapat menggunakan algoritma k-Nearest Neighbor (k-NN). Berdasarkan hasil penelitian yang dilakukan menggunakan 6 jenis ikan koi yang berbeda yaitu Asagi, Kohaku, Showa, Sanke, Shusui dan Tancho didapatkan akurasi tertinggi menggunakan nilai parameter jarak d=2, sudut θ=0° dan k=5 mencapai 90% tingkat akurasi yang didapat dengan jumlah data benar 27 buah dan data salah hanya 3 buah dalam 30 data uji. Sedangkan akurasi terendah mencapai 43.3% dimana pengenalan citra dengan GLCM menggunakan nilai jarak d=1 dan sudut θ=0° dengan nilai k=19 dan nilai jarak d=2 dan sudut θ=135° dengan nilai k=19.
Kata kunci : Ikan Koi, Gray Level Co-occurrence Matrix (GLCM), k-Nearest Neighbor (k-NN)
xiv + 83 halaman, 41 gambar, 14 tabel Daftar acuan 33 (2004 - 2015)
ix
PERSETUJUAN SKRIPSI ... ii
PENGESAHAN DEWAN PENGUJI ... iii
PERNYATAAN KEASLIAN SKRIPSI ... iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... v
UCAPAN TERIMAKASIH ... vi
ABSTRAK ... viii
DAFTAR ISI ... ix
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xiii
BAB I PENDAHULUAN ... 1 1.1. Latar Belakang... 1 1.2. Rumusan masalah ... 6 1.3. Batasan Masalah ... 6 1.4. Tujuan Penelitian ... 7 1.5. Manfaat Penelitian ... 8
BAB II TINJAUAN PUSTAKA ... 9
2.1. Tinjauan Studi ... 9 2.2. Tinjauan Pustaka... 15 2.2.1. Ikan Koi ... 15 2.2.2. Citra Digital ... 25 2.2.3. Komputer Visi ... 27 2.2.4. Pixel ... 28
x
2.2.8. Gray Level Co-occurrence Matrix (GLCM) ... 32
2.2.9. K-Nearest Neighbor (k-NN) ... 40
2.2.10. Euclidean Distance ... 45
2.2.11. Perhitungan Akurasi... 46
2.3. Kerangka Pemikiran ... 48
BAB III METODE PENELITIAN ... 49
3.1. Instrumen Penelitian ... 49
3.1.1. Kebutuhan Perangkat Lunak (Software) ... 49
3.1.2. Kebutuhan Perangkat Keras (Hardware) ... 49
3.2. Prosedur Pengambilan atau Pengumpulan Data ... 49
3.3. Metode Usulan... 51
3.4. Eksperimen ... 56
BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN ... 58
4.1. Kebutuhan Data Citra ... 58
4.2. Pengolahan Data Citra ... 59
4.2.1. Menyamakan ukuran piksel (Resize) ... 59
4.2.2. Proses Cropping ... 60
4.2.3. Konversi citra ... 61
4.3. Ekstraksi Fitur ... 61
4.4. Memberikan Label Pada Data Citra ... 69
4.5. Melakukan Klasifikasi Dengan K-NN ... 71
xi
5.2. Saran ... 79 DAFTAR PUSTAKA ... 80
xii
Tabel 2. 2 Area kerja matriks ... 36
Tabel 2. 3 Nilai hasil ekstraksi fitur GLCM ... 42
Tabel 2. 4 Rangking citra dari jarak terpendek ... 44
Tabel 2. 5 kelas mayoritas dari nilai k ... 44
Tabel 2. 6 Tabel Confusion Matrix ... 46
Tabel 2. 7 Kerangka Pemikiran ... 48
Tabel 4. 1 Tabel confusion matrix d=1 , θ=0°, dan k=1 ... 72
Tabel 4. 2 Tabel confusion matrix d=2 , θ=0°, dan k=5 ... 73
Tabel 4. 3 Tabel percobaan 1, d=1 dan θ= 0°,45° ... 74
Tabel 4. 4 Tabel percobaan 2, d=1 dan θ= 90°,135° ... 75
Tabel 4. 5 Tabel percobaan 3, d=2 dan θ= 0°,45° ... 76
Tabel 4. 6 Tabel percobaan 4, d=2 dan θ= 90°,135° ... 77
xiii
Gambar 2. 2 Ikan koi jenis Sanke ... 18
Gambar 2. 3 Ikan koi jenis Showa Sanshoku ... 19
Gambar 2. 4 Ikan koi jenis Bekko ... 19
Gambar 2. 5 Ikan koi jenis Utsurimono ... 20
Gambar 2. 6 Ikan koi jenis Asagi ... 20
Gambar 2. 7 Ikan koi jenis Shusui ... 21
Gambar 2. 8 Ikan koi jenis Koromo ... 22
Gambar 2. 9 Ikan koi jenis Hikari-Moyo ... 22
Gambar 2. 10 Ikan koi jenis Hikari Utsurimono ... 23
Gambar 2. 11 Ikan koi jenis kawarimono ... 24
Gambar 2. 12 Ikan koi jenis Tancho ... 24
Gambar 2. 13 Ikan koi jenis Kinginrin ... 25
Gambar 2. 14 Koordinat citra ... 26
Gambar 2. 15 Ilustrasi digitalisasi citra ... 26
Gambar 2. 16 Piksel ... 28
Gambar 2. 17 Citra RGB ... 29
Gambar 2. 18 Citra grayscale ... 30
Gambar 2. 19 Contoh tekstur ... 31
Gambar 2. 20 Ilustrasi sudut dalam metode GLCM ... 34
Gambar 2. 21 Hubungan spasial antar piksel ... 37
Gambar 2. 22 Matriks simetris ... 37
Gambar 2. 23 Normalisasi matriks dengan probabilitas ... 38
Gambar 2. 24 Diagram alir klasifikasi k-NN ... 41
Gambar 3. 1 Dataset ikan Koi ... 51
Gambar 3. 2 Desain blok diagram ... 53
Gambar 4. 1 Contoh hasil citra penyamaan ukuran piksel ... 59
Gambar 4. 2 Contoh data citra sebelum dan sesudah dilakukan cropping ... 60
xiv
Gambar 4. 8 Contoh hasil perhitungan homogeneity ... 65
Gambar 4. 9 Contoh hasil perhitungan contras ... 66
Gambar 4. 10 Contoh hasil perhitungan correlation ... 67
Gambar 4. 11 Hasil ekstraksi fitur data latih ... 68
Gambar 4. 12 Hasil ekstraksi fitur data uji... 68
Gambar 4. 13 Perlabelan pada citra latih ... 69
Gambar 4. 14 Perlabelan pada citra uji ... 70
1
1.1. Latar Belakang
Pemanfaatan pengolahan citra digital sekarang ini sangat luas, bahkan sampai di berbagai bidang penelitian. Pengolahan citra digital sendiri bertujuan untuk melakukan suatu proses agar mendapatkan sebuah informasi atau deskripsi dari suatu objek yang terkandung pada citra tersebut. Perkembangan pengolahan citra digital saat ini sangatlah didukung dengan semakin berkembangnya kemajuan teknologi, terutama kemajuan teknologi di bidang komputer. Hal ini jelas dibuktikan dengan banyaknya penelitian yang menggunakan teknologi computer vision sebagai obyek penelitian. Dengan berkembangnya teknologi saat ini memudahkan manusia untuk melakukan beberapa penelitian yang membutuhkan teknologi yang dapat melakukan komputasi dengan data yang sangat besar, salah satunya adalah data berbentuk citra.
Citra digital dapat dinyatakan dalam suatu array dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan (grayscale) dari warna masing-masing pixel. Pixel sendiri merupakan elemen terkecil dari suatu citra, yang berupa titik-titik warna yang membentuk suatu citra. Citra yang disimpan dalam memori komputer hanyalah angka-angka yang menunjukkan besarnya intensitas pada masing-masing piksel tersebut [1]. Dalam beberapa tahun terakhir ini penelitian dengan menggunakan data berbentuk citra sangat sering digunakan untuk berbagai bidang penelitian, salah satunya adalah di bidang perikanan. Di dalam bidang perikanan itu sendiri penggunaan data citra digunakan untuk menentukan atau mengklasifikasikan jenis ikan, diantaranya adalah jenis ikan koi.
Keragaman jenis dan warna ikan koi memang menjadi daya tarik tersendiri bagi para penggemarnya. Ikan koi merupakan keturunan ikan mas yang melalui sebuah proses perkawinan silang dan menghasilkan keturunan yang beranekaragam warna [2]. Ikan koi merupakan salah satu jenis ikan hias yang memiliki penggemar yang lumayan banyak di kalangan para pecinta ikan hias, khususnya pecinta ikan hias koi di Indonesia. Di Indonesia sendiri sudah ada sekitar 28 klub pecinta koi di berbagai provinsi yang tersebar di Indonesia, Sebanyak 41 peternak ikan koi, 6 importir ikan koi asal Jepang, serta 22 dealer ikan koi. Mereka berupaya keras menghasilkan jenis-jenis ikan koi yang terbaik dan berkualitas [3]. Budidaya ikan koi tak hanya menjadi hobi para penggemar ikan koi saja, akan tetapi hal ini juga menjadi bisnis potensial, karena perkawinan silang ikan koi telah menelurkan banyak ikan koi jenis baru dan berkualitas.
Klasifikasi Ikan koi pada umumnya terdiri dari 10 tipe koi, yaitu koi Gosanke, Shiro, Utsurimono, Asagi, Tancho, Hikarimono, Goromo, Hikarimoyo, Matsuba, dan Kawarimono [4]. Dari beberapa tipe ikan koi tersebut, klasifikasi koi Gosanke merupakan koi paling populer di antara tipe koi yang lain. Banyak para penggemar ikan koi menjadikan koi tipe Gosanke ini menjadi koleksi ikan hias mereka. Jenis yang termasuk dalam kategori tipe koi Gosanke ini adalah Kohaku, Sanke, dan Showa. Koi tipe Gosanke ini merupakan kombinasi koi dengan variasi warna hitam, merah, dan putih. Kecuali untuk jenis ikan koi Kohaku.
Ikan koi jenis Kohaku ini sendiri tidak memiliki unsur warna hitam sedikit pun, hanya berupa kombinasi warna merah dan putih. Ada berbagai macam perbedaan pola warna pada jenis ikan koi Kohaku ini, yaitu ada yang putus-putus, ada yang besar dan menyapu. Kohaku yang baik memiliki pola yang tidak turun melewati mata dan seimbang, warna putihnya harus memiliki warna yang putih bersih, sedangkan untuk warna merahnya harus memiliki warna merah yang pekat dan cerah [4]. Unsur warna yang terdapat di Kohaku itu sendiri mengingatkan kita akan negara asal ikan koi ini berada, yaitu Jepang.
Untuk ikan jenis Sanke sendiri mempunyai komposisi tiga warna, yaitu dengan warna dasar putih dan memiliki belang hitam dan merah. Kepalanya sebagaian berbelang merah dan tidak sampai meluas sampai ke daerah mata, rahang, pipi, atau menutupi hidungnnya, sedangkan ekornya berwarna putih. Kriteria sanke yang baik adalah dengan bagian kepala tanpa belang hitam dan bagian punggung berbelang merah besar, siripnya putih dengan jumlah garis hitam 2 atau 3 buah [5].
Sedangkan untuk jenis ikan koi Showa–Sanshoku atau biasa disebut oleh para penggemar ikan koi dengan sebutan Showa memiliki warna dasar hitam dengan pola belang merah dan belang putih. Dalam bahasa jepang san berarti 3 dan shoku berarti warna [5]. Jadi ikan Showa adalah ikan dengan kombinasi 3 warna. Ikan koi jenis Showa dan Sanke sendiri memiliki kesamaan, yaitu sama-sama mempunyai 3 komposisi warna pada tubuhnya, yaitu putih, merah, dan hitam. Namun kedua jenis ikan koi ini memiliki perbedaan, yaitu untuk Showa merupakan koi hitam dengan belang warna putih dan merah atau dominan warna hitam, sedangkan Sanke merupakan koi putih dengan belang warna merah dan hitam atau dominan putih [5].
Kemudian selain ikan koi tipe Gosanke ada ikan koi jenis lainya, yaitu seperti koi jenis Tancho. Koi jenis ini sangat mudah untuk dikenali karena koi jenis Tancho ini memiliki ciri bulatan warna merah di dahi [5]. Corak warna merah yang berada tepat di pusat daerah kepala adalah untuk menentukan kualitas ikan koi jenis Tancho yang terbaik. Kulit sisik yang berwarna putih juga menjadi nilai tambah untuk koi jenis ini. Pada dasarnya jenis ini umumnya tidak membentuk warna tunggal, karena Tancho dibudidayakan dengan format Kohaku, Taisho Sanke, atau Showa Sanshoku [6].
Jenis koi lainnya adalah Asagi. Koi jenis Asagi mempunyai pola warna biru berkilauan di bagian punggung seperti membentuk corak sisik, yang kadang dilengkapi dengan belang warna merah. Kepala koi jenis Asagi biasanya berwarna putih mulus atau biru tanpa bintik-bintik, ada juga kepalanya yang berwarna merah disebut dengan Asagi Menkaburi [5].
Jenis lainnya adalah jenis Shusui. Shusui ini merupakan perkawinan silang antara Asagi-Sanke dengan koi jenis Doitsu (karper kaca). Sisik pada Shusui berwarna biru yang tertata rapi terutama sisik di daerah punggung [5]. Pada umumnya para pecinta ikan hias koi yang baru memulai hobi mereka dengan mengkoleksinya hanya sekedar membeli dan memelihara ikan saja tanpa mengetahui jenis ikan koi tersebut. Dalam membedakan enam jenis ikan koi tersebut untuk para penggemar fanatik ikan hias koi ini mungkin sangatlah mudah, karena mereka sudah menghafal dengan setiap ciri-ciri jenis ikan koi tersebut. Namun untuk para orang baru yang ingin memulai hobi mereka dengan mengkoleksinya, hal ini menjadi masalah ketika mereka tidak bisa membedakan setiap ciri yang dimiliki ikan koi tersebut.
Di dalam pengolahan citra sendiri pengenalan tekstur sangatlah penting digunakan. Pengenalan tekstur pada sebuah citra dapat digunakan untuk mengenali atau mengidentifikasi suatu citra. Dalam pengenalan tekstur sebuah citra, kita bisa mendapatkan tekstur tertentu atau ciri-ciri tertentu untuk kemudian kita klasifikasikan berdasarkan satu set kelas atau klasifikasi tekstur warna yang diberikan [7]. Ada 3 metode yang digunakan untuk memperoleh fitur tekstur yaitu metode statistis, metode struktural, dan metode spektral [8]. Dalam penelitian ini penulis menggunakan metode statistis untuk membentuk fitur ciri. Metode statistis adalah metode yang menganalisa distribusi spasial pada nilai keabuan dan turunan dari kumpulan statstik [9]. Contoh yang termasuk dalam metode statistis adalah GLCM (Gray Level Co-occurrence Matrix). GLCM adalah suatu metode statistik yang memeriksa tekstur dengan mempertimbangkan hubungan spasial antar pixel, GLCM berisi informasi mengenai posisi pixel yang memiliki nilai yang sama dari tingkat keabuan [10]. GLCM adalah sebuah aray 2 dimensi dimana kedua baris dan kolom yang mewakili satu set nilai dari sebuah gambar [10]. GLCM telah terbukti hebat digunakan untuk menjadi dasar klasifikasi tekstur. Berbagai macam tekstur parameter yang diperhitungkan dari GLCM mampu memahami detail keseluruhan tentang konten yang terkadung di dalam citra [11]. Masalah pengenalan jenis ikan koi ini dapat diselesaikan dengan fitur
ekstraksi ciri menggunakan GLCM. Beberapa fitur yang dapat diekstraksi dan digunakan oleh penulis untuk melakukan penelitian ini adalah, contras, energy, correlation, dan. homogeneity. Pada setiap fitur ektrasi ciri tersebut mempunyai rumus atau perhitungan sesuai dengan fitur yang akan dipergunakan.
Setelah mendapatkan nilai-nilai dari fitur ekstraksi ciri tersebut dapat digunakan untuk dijadikan sebagai input pengklasifikasian jenis ikan koi yang digunakan dalam penelitian ini, yaitu Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui. Klasifikasi sendiri merupakan sebuah proses pengelompokan objek ke dalam kelas yang sesuai atau sama [7]. Pada penelitian ini penulis menggunakan metode klasifikasi algoritma k-Nearest Neighbor (k-NN) untuk mengklasifikasikan jenis ikan koi tersebut. Algoritma k-NN sendiri merupakan metode klasifikasi yang menentukan hasil klasifikasi berdasarkan jumlah anggota kelas terbanyak yang ditemui pada jumlah tetangga terdekat atau nilai dari k yang dipilih atau ditentukan sebelumnya [7].
Penelitian yang pernah dilakukan sebelumnya yaitu pengklasifikasian jenis ikan koi Kohaku berbasis color histogram [2]. Dalam penelitian tersebut menggunakan 15 jenis ikan koi yang berbeda jenis, sedangkan untuk menghitung jarak penelitian tersebut menggunakan Euclidean Distance dan Mean Square Error sebagai perhitungan tingkat akurasi dalam menggunakan histogram sebagai acuanya. Kemudian, ada penelitian tentang klasifikasi ikan menggunakan fitur ekstraksi ciri khas warna menggunakan klasifikasi Back-Propagation [12]. Dalam penelitian tersebut menggunakan 20 famili ikan yang berbeda, dan menggunakan 610 dataset citra ikan yang berbeda, yang terdiri dari 400 dataset citra latih dan 210 dataset citra uji. Akurasi keseluruhan yang didapatkan menggunakan klasifikasi Back-Propagation adalah 84%. Dan juga terdapat penelitian mengklasifikasikan jenis kupu-kupu menggunakan algoritma k-NN dan ekstraksi ciri GLCM [9]. Dalam penelitian tersebut hasil tertinggi dalam mengelompokan jenis kupu-kupu dengan parameter d=1, , dengan nilai k=3 dan menggunakan 2 spesies hasil akurasi mencapai 88%. Maka dari itu, penelitian ini menggunakan fitur
ekstraksi ciri GLCM untuk mendapatkan ciri-ciri dari setiap citra dan algoritma klasifikasi k-NN untuk mengklasifikasikan jenis ikan koi. Dataset yang di gunakan berjumlah 120 data citra yang terdiri dari 90 data citra latih dan 30 data citra uji. Data citra terdiri dari 20 dataset citra ikan Kohaku, 20 dataset citra ikan Showa, 20 dataset citra ikan Sanke, 20 dataset citra ikan Tancho, 20 dataset citra ikan Asagi, dan 20 dataset citra ikan Shusui dengan resolusi pixel yang disamakan.
1.2. Rumusan masalah
Berdasarkan latar belakang yang sudah dijabarkan sebelumnya, penulis merumuskan masalah dalam penelitian ini adalah sebagai berikut : Berapa tingkat akurasi yang didapat dengan menggunakan algoritma klasifikasi k-Nearest Neighbor (k-NN) untuk mengklasifikasikan jenis ikan koi, yaitu jenis Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui dengan fitur ekstraksi ciri Gray Level Co-occurrence Matrix (GLCM).
1.3. Batasan Masalah
Untuk menjaga fokus dari penelitian ini, maka beberapa batasan masalah yang diberikan dalam penelitian ini adalah sebagai berikut :
1. Dalam penelitian ini untuk mendapatkan fitur ekstraksi ciri menggunakan Gray Level Co-occurrence Matrix (GLCM) dengan 4 fitur yang digunakan yaitu, contras, energy, correlation, dan homogeneity dengan jarak d=1 dan d=2 dengan variasi sudut di setiap jaraknya yaitu, sudut .
2. Metode yang digunakan untuk mengklasifikasikan jenis ikan koi tersebut adalah metode klasifikasi k-Nearest Neighbor (k-NN) dengan k bernilai ganjil yaitu k= 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, dan menggunakan perhitungan jarak euclidean.
3. Citra koi yang digunakan dalam penelitian ini adalah koi jenis Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui.
4. Format gambar yang digunakan adalah JPG.
5. Data gambar yang digunakan dilakukan penyamaan ukuran pixel yaitu 100 x 250 pixel.
6. Dataset yang digunakan diambil dari internet sebanyak 120 data citra yang terdiri dari 20 data citra koi jenis Kohaku, 20 data citra koi jenis Showa, 20 data citra koi jenis Sanke, 20 data citra koi jenis Tancho, 20 data citra koi jenis Asagi, dan 20 data citra koi jenis Shusui.
7. Penelitian akan dikembangkan mengguakan software MATLAB versi R2012a dan memanfaatkan fungsi fungsi yang ada pada MATLAB versi R2012a tersebut.
1.4. Tujuan Penelitian
Dalam penelitian yang dilakukan penulis saat ini terdapat beberapa tujuan yang ingin dicapai antara lain adalah sebagai berikut :
1. Menerapkan metode Gray Level Co-occurrence Matrix (GLCM) sebagai salah satu fitur ekstraksi ciri data citra.
2. Menerapkan metode klasifikasi k-Nearest Neighbor (k-NN) sebagai salah satu algoritma klasifikasi yang akan digunakan untuk klasifikasi data citra ikan koi jenis Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui.
3. Dapat membantu para penggemar ikan koi yang baru memulai hobi mereka dalam mengkoleksi ikan koi agar dapat membedakan jenis-jenis ikan koi, terutama koi jenis-jenis Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui.
1.5. Manfaat Penelitian
Manfaat yang diharapkan dan dapat diperoleh dalam penelitian ini adalah sebagai berikut :
1. Bagi Peneliti
Sebagai salah satu cara untuk menerapkan ilmu yang sudah didapatkan selama berada di bangku perkuliahan, khususnya penerapan algoritma klasifikasi k-Nearest Neighbor (k-NN) untuk mengklasifikasikan jenis ikan koi Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui.
2. Bagi Ilmu Pengetahuan
Untuk kedepan diharapkan hasil dari penelitian ini mampu memberikan masukan dalam melakukan peneltian-penelitian lainya khusunya penelitian dalam bidang ilmu informatika.
3. Bagi Masyarakat
Penelitian ini dapat membantu masyarakat untuk dapat mengenal lebih jauh tentang jenis-jenis ikan koi dan dapat membedakan setiap jenis ikan koi yang berbeda, khususnya jenis ikan koi Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui.
9
BAB II
TINJAUAN PUSTAKA
2.1. Tinjauan Studi
Pada bagian ini berisi tentang penjelasan mengenai penelitian terkait yang pernah dilakukan sebelumnya dan yang berhubungan dengan fitur ekstraksi ciri Gray Level Co-occurrence Matrix (GLCM) serta algoritma klasifikasi k-Nearest Neighbor (k-NN).
Penelitian dengan judul Content Based Image Retrieval Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku. Pada penelitian ini, data citra yang digunakan ada 15 data citra yang terdiri dari 5 jenis ikan koi yang berbeda jenis. Dengan menerapkan teknik color histogram dapat membedakan antara citra acuan dengan citra uji. Pengukuran jarak yang digunakan dalam penelitian ini menggunakan teknik Euclidean Distance. Dengan menggunakan teknik Euclidean Distance, penelitian tersebut telah mampu memberikan hasil pencarian gambar dengan tepat dan baik dengan hasil Euclidean Distance antara 0 – 70000000 yang merupakan koi sejenis [2].
Penelitian dengan judul Klasifikasi Spesies kupu-kupu Menggunakan ekstraksi GLCM dan algoritma klasifikasi k-NN. Dalam penelitian ini, peneliti membandingkan tingkat akurasi antara citra masking dengan citra non-masking. Data yang digunakan dalam penelitian ini menggunakan data citra 2 spesies sampai 10 spesies kupu-kupu. Hasilnya citra yang melalui proses masking mendapatkan hasil tingkat akurasi yang lebih baik bila dibandingkan dengan citra yang melalui proses non-masking. Hasil dari perhitungan tingkat akurasi pengelompokan menggunakan fitur ektrasi ciri
GLCM dengan menggunakan nilai parameter d=1, , dan nilai k=3 dengan menggunakan 2 spesies hasil akurasi mencapai 88% [9].
Penelitian dengan judul Klasifikasi Citra Dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurrence Matrix-GLCM) Pada Lima Kelas Biji-Bijian. Pada penelitian ini untuk mendapatkan fitur ektrasi ciri menggunakan GLCM. Sedangkan untuk mengklasifikasikan lima kelas biji-bijian menggunakan algoritma klasifikasi k-Nearest Neighbor (k-NN). Dataset yang digunakan terdiri dari 5 jenis biji-bijian yaitu beras, jagung, kacang tanah, kacang hijau, dan kedelai. Dari pengenalan 5 jenis biji-bijian yang digunakan, tingkat pengenalan tertinggi adalah pada jenis beras, dengan menggunakan parameter k=1, 3, 5, 7, 9 yang mencapai tingkat akurasi 100%, dan tingkat pengenalan terendah adalah pada jagung yang menggunakan parameter k= 3, 5, 7 dengan tingkat akurasi mencapai 44% [13].
Penelitian dengan judul Comparison between k-NN and ANN Classification in Brain Balancing Application via Spectrogram Image. Pada penelitian ini membandingkan antara algoritma klasifikasi k-Nearest Neighbor (k-NN) dan Artificial Neural Network (ANN). Pada penelitian tersebut juga membandingkan beberapa metode perhitungan jarak antara lain, Euclidean, City block, Cosine, Correlation. Hasil dari penelitian tersebut didapatkan tingkat akurasi yang didapat adalah dengan menggunkan KNN mencapai 90%, dan dengan menggunakan ANN mencapai 87,5%, sedangkan perhitungan terbaik dalam pencarian jarak akurasi tertinggi didapat dengan menggunakan Euclidean Dsitance dengan MSE= 0.1000 dan tingkat akurasi mencapai 90% [14].
Penelitian dengan judul Perbandingan Metode k-Nearest Neighbor (k-NN) dan Metode Nearest Cluster Classifier (NCC) Dalam Pengklasifikasian Kualitas Batik Tulis. Dalam penelitian ini, dataset yang digunakan adalah citra batik tulis yang akan diklasifikasikan berdasarkan kualitas batik tulis tersebut, yaitu batik tulis halus, batik tulis sedang, dan batik tulis kasar. Dalam penenlitian ini membandingkan antara metode k-NN dan metode NCC untuk mengklasifikasikan kualitas batik tulis. Hasil yang didapatkan dalam
penelitian tersebut menunjukkan bahwa tingkat akurasi dengan menggunakan metode k-NN mencapai 99,38%, sedangkan dengan menggunakan metode NCC hanya mencapai 87% [15].
Dari penelitian diatas yang pernah dilakukan oleh peneliti-peneliti sebelumnya maka, penelitian yang akan dilakukan akan menggunakan metode fitur ektrasi ciri GLCM untuk mendapatkan ciri dari citra yang digunakan, yaitu citra ikan koi Kohaku, Showa, Sanke, Tancho, Asagi, dan Shusui. Dan untuk mengklasifikasikan jenis ikan koi tersebut peneliti menggunakan algoritma klasifikasi k-Nearest Neighbor (k-NN).
Tabel 2. 1 State of the art
NO TAHUN JUDUL AUTHOR METODE HASIL
PENELITIAN 1 2014 Content Based Image Retrieval Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku [2]. Hisyam Syarif Color Histogram dengan pengukuran jarak menggunakan teknik Euclidean Distance Menggunakan 15 data citra terdiri dari 5 jenis ikan koi. Dengan hasil Euclidean Distance antara 0-70000000 adalah citra koi sejenis. Hasil Mean Square Error didapatkan sebesar 330.931 untuk ketepatan pemilihan gambar. 2 2014 Klasifikasi Spesies kupu-kupu Menggunakan ekstraksi GLCM dan algoritma klasifikasi k-NN [9]. Gunawan Aristya Purnomo Fitur ektrasi ciri GLCM dan algoritma klasifikasi k-NN Citra yang melalui proses masking mendapatkan hasil tingkat akurasi yang lebih baik jika dibandingkan dengan citra
non-masking. Hasil akurasi mencapai 88% dengan parameter d =1, θ = 45° , dan nilai k=3. 3 2011 Klasifikasi Citra Dengan Matriks Ko-okurensi Aras Keabuan (Gray Level Co-occurrence Matrix- GLCM) Pada Lima Kelas Biji-Bijian [13]. Yudhistira Ganis K, Imam Santoso, and R.Rizal Isnanto Fitur ektrasi ciri GLCM dan algoritma klasifikasi k-NN Dalam penelitian tersebut dataset menggunakan 5 jenis biji-bijian, Pengenalan tertinggi adalah pada jenis beras, dengan menggunakan parameter k=1, 3, 5, 7, 9 yang mencapai tingkat akurasi 100%, dan terendah pada jagung dengan menggunakan parameter k = 3, 5, 7, tingkat akurasi mencapai 44%.
4 2012 Comparison between KNN and ANN Classification in Brain Balancing Application via Spectrogram Image [14]. Mahfuzah Mustafa, Mohd Nasir Taib, Hj. Murat Zunairah, and Norizam Sulaiman Klasifikasi k-NN dan Ak-NN dengan menggunakan 4 metode pencarian jarak, yaitu Euclidean, City block, Cosine, Correlation Dengan menggunakan k-NN lebih baik dengan tingkat akurasi mencapai 90% sedangkan dengan ANN 87,5%, perhitungan jarak terbaik pada Euclidean Distance dengan MSE= 0.1000 dan tingkat akurasi mencapai 90% 5 2010 Perbandingan Metode k-Nearest Neighbor (kNN) dan Metode Nearest Cluster Classifier (NCC) Dalam Pengklasifikasian Kualitas Batik Tulis [15]. Nesi Syafitri klasifikasi k-Nearest Neighbor (kNN) dan Nearest Cluster Classifier (NCC) Tingkat akurasi dengan menggunakan metode k-NN mencapai 99,38%, sedangkan menggunakan metode NCC hanya mencapai 87%
2.2. Tinjauan Pustaka
2.2.1. Ikan Koi
Dalam memelihara ikan hias jenis koi bukan hanya sekedar untuk kesenangan dan hiburan saja, akan tetapi semakin berkembangnya pertumbuhan ekonomi yang semakin pesat ini dalam memelihara ikan hias jenis koi memiliki nilai bisnis yang sangat menggiurkan. Sekarang ini ikan koi tidak hanya dibudidayakan di negara asalnya saja, yaitu di Jepang, namun hampir di semua negara berlomba-lomba untuk membudidayakan ikan jenis ini.
Dalam standart internasional, penilaian koi yang berkualitas tinggi harus memiliki beberapa kriteria [5], antara lain :
1. Bentuk tubuh dari koi tersebut sempurna
2. Warna dari koi tersebut harus memiliki warna yang cerah 3. Memiliki pola warna berbatas cerah
4. Memiliki tubuh yang proporsional
Jika ikan koi memiliki semua kriteria koi berkualitas tinggi dalam standart internasional, imbasnya adalah harga jual ikan koi tersebut ikut melambung. Harganya tidak main-main, untuk satu ikan koi yang memiliki kriteria sempurna bisa dihargai dari ratusan juta rupiah hingga milyaran rupiah [5].
Dari sekitar 50.000 ekor burayak, hanya lima persen saja yang akan menjadi koi unggulan, bahkan dalam beberapa penangkaran dalam melakukan pemilahan bibit unggul penyeleksian dilakukan sangat ketat, sehingga hanya beberapa ekor tategoi saja yang lolos dalam pemilahan bibit unggul. Tategoi adalah sebutan untuk burayak koi yang memiliki masa depan cerah atau bisa disebut juga sebagai bibit unggulan. Para penangkar ikan koi biasanya menyisihkan beberapa tategoi untuk dijadikan koleksi atau diikutsertakan dalam beberapa kontes ikan koi. Selain dijadikan koleksi atau diikutsertakan dalam kontes, para
penangkar sengaja menjualnya dengan patokan harga yang lebih tinggi ketimbang tategoi yang biasa.
Dalam berbagai macam kontes perlombaan, ikan koi jenis Kohaku, Showa, dan Sanke adalah jenis-jenis ikan koi yang paling sering diunggulkan dalam kontes [5]. Maka dari itu, harga ketiga jenis ikan koi tersebut tidak murah. Harga seekor Kohaku yang panjangnya hanya 18 cm saja bisa mencapai Rp. 10 – 20 juta per ekor, sementara harga varietas lainya seperti aigoromo hanya kisaran Rp. 5 juta per ekor [5]. Bentuk tubuh dan pola warna sangat menjadi pertimbangan utama oleh para pembeli ikan koi, karena itu harga ikan koi sangat bervariasi tergantung dari varietasya.
Di Indonesia sendiri perkembangan budidaya ikan koi berawal di tahun 1960-an. Ketika itu Presiden Soekarno memberikan ikan koi yang didapatnya dari pemimpin Cina kepada pembudidaya ikan di Batu, Jawa Timur. Walaupun budidaya ikan koi lokal masih dianggap sebelah mata, namun perkembanganya cukup baik di Indonesia [16]. Animo masyarakat dalam memelihara ikan koi semakin tinggi, hal ini tampak dari banyaknya masyarakat yang menghadirkan kolam-kolam koi di pekarangan rumah mereka dengan harapan lingkungan di sekitar tempat tinggal mereka memiliki suasana yang alami dan asri bahkan sebagai pelepas stress dan lelah.
2.2.1.1. Klasifikasi Jenis Ikan Koi
Pembagian kelompok ikan koi lebih banyak didasarkan pada pola warna tubuh dari ikan koi tersebut. Ikan koi terbagi kedalam empat kelompok besar, yaitu :
1. Kelompok warna tunggal atau polos 2. Kelompok komposisi dua warna 3. Kelompok komposisi tiga warna 4. Kelompok komposisi multi warna
Di Jepang sendiri untuk mengetahui nama dari koi tersebut diklasifikasikan ke dalam 13 kategori. Ke 13 kategori inilah yang menjadi pedoman untuk mengenal nama-nama koi.
1. Kohaku
Ikan koi jenis Kohaku ini memiliki warna dasar putih dengan belang warna merah dibagian kepala, punggung, dan ekor. Belang pada Kohaku dijadikan sebagai penentu mutu dari jenis koi tersebut. Koi yang memiliki tanda merah berukuran kecil disebut Komoyo, sedangkan yang memiliki tanda merah berukuran besar disebut Omoyo.
Jenis koi Kohaku yang berkualitas baik adalah Kohaku yang memiliki perbedaan warna antara merah dan putih yang mencolok. Putih nya putih bersih dan merahnya berwarna merah darah. Belang merah di kepala harus bulat dan dalam posisi yang seimbang antara kanan dan kiri, serta tidak meluas sampai ke mata, hidung, pipi, punggung, dan ekornya harus mempunyai komposisi warna yang sama [5].
Gambar 2. 1 Ikan koi Kohaku [17]
2. Taisho Sanke
Taisho Sanke atau biasa disebut dengan Sanke merupakan jenis ikan koi yang memiliki komposisi tiga
warna, yaitu dengan warna dasar putih dengan belang warna merah dan hitam. Untuk kepalanya sebagian berbelang merah tetapi tidak sampai meluas ke daerah mata, rahang, pipi, atau menutupi hidungnya, sedangkan untuk ekornya berwarna putih. Untuk Koi jenis Sanke yang baik adalah bagian kepala tidak memiliki belang hitam, bagian punggung memiliki belang merah yang besar, siripnya putih dengan jumlah garis hitam 2 atau 3 buah [5].
Gambar 2. 2 Ikan koi jenis Sanke [18]
3. Showa Sanshoku
Koi jenis Showa Sanshoku atau biasa disebut dengan showa memiliki variasi warna dasar hitam dengan pola warna belang merah dan putih. Dalam bahasa jepang san berarti 3 dan shoku berarti warna. Dengan demikian showa merupakan ikan yang memiliki tiga warna [5]. Warna hitam Showa Sanshoku dan Taisho Sanke sangat berbeda, karena Showa Sanshoku memiliki warna hitam yang menyebar ke seluruh bagian tubuh dari kepala, perut, sampai ke ekor [2].
Gambar 2. 3 Ikan koi jenis Showa Sanshoku [18]
4. Bekko
Koi jenis Bekko merupakan jenis ikan koi yang memiliki warna dasar yaitu putih, merah, merah dengan bintik-bintik atau berbentuk pola hitam. Perbedaan antara Bekko dengan Utsuri adalah Bekko mempunyai tanda hitam lebih banyak dan berukuran kecil yang menyebar di seluruh bagian tubuh dari pada Utsari [5].
Gambar 2. 4 Ikan koi jenis Bekko [19]
5. Utsurimono
Ikan jenis Utsurimono ini memiliki warna dasar hitam dengan belang putih, kuning, atau merah. Koi jenis Utsurimono ada juga yang mempunyai warna dasar merah keemasan dengan sirip berwarna hitam atau bahkan tidak memiliki warna hitam sama sekali [5]. Utsurimono sendiri
merupakan koi yang diperoleh dari garis keturunan yang sama dengan Showa Sanshoku. Warna putih yang sangat kontras, hidung dan wajahnya berwarna hitam [2].
Gambar 2. 5 Ikan koi jenis Utsurimono [20]
6. Asagi
Asagi mempunyai pola warna biru berkilauan di bagian punggung, yang kadang dilengkapi dengan belang warna merah. Dalam bahasa Jepang Asagi mempunyai arti cahaya biru / biru berkilauan. Tubuh bagian samping, pipi, dan pangkal sirip-siripnya berwarna merah. Kepala koi jenis Asagi biasanya berwarna putih mulus atau biru tanpa bintik-bintik, ada juga kepalanya yang berwarna merah disebut dengan Asagi Menkaburi. Pada sisiknya berwarna biru, dan disetiap tepinya terdapat lingkaran putih [5].
7. Shusui
Ikan jenis Shusui ini merupakan perkawinan silang antara Asagi-Sanke dengan koi jenis Doitsu (karper kaca). Shusui memiliki warna biru di kepala dan punggung, sedangkan pada ujung hidung, pipi, dan pangkal sirip berwarna merah darah. Sisik pada Shusui berwarna biru yang tertata rapi terutama sisik di daerah punggung dan di setiap sisiknya terdapat lingkaran berwarna putih [5]. Yang termasuk dalam kelompok Shusui antara lain adalah seperti Ki-shusui (tubuh berwarna kuning, bagian punggung berwarna hitam dan jingga), Hi-shusui (tubuh berwarna merah yang meluas di daerah punggung) [2].
Gambar 2. 7 Ikan koi jenis Shusui [22]
8. Koromo
Pada koi jenis Koromo ini merupakan koi dari perkawinan silang antara Asagi dengan Kohaku. Koi Koromo ini mempunyai warna dasar keperak-perakan atau biru yang terpapar diatas warna merah dan putih [5]. Jenis koi Koromo ini sering disebut dengan pakaian biru, karena koi ini mempunyai warna biru di bagian tepi corak tubuhnya. Warna biru akan menjadi gelap seiring dengan pertambahan umur dari koi tersebut. Semakin jelas warna birunya maka semakin baik mutunya [2]. Variasi koi jenis
Koromo antara lain adalah seperti Ai koromo (Koromo dengan corak merah), Budo Koromo (Koromo dengan corak coklat), dan Sumi Koromo (Koromo dengan corak hitam) [6].
Gambar 2. 8 Ikan koi jenis Koromo [22]
9. Hikari-Moyo
Dalam bahasa Jepang hikari artinya adalah metalik atau keperak-perakan. Maka dari itu ikan koi jenis ini memiliki sisik berwarna metalik. Terkadang ikan koi jenis ini memiliki tambahan warna 4 sampai 5 warna [5]. Variasi dari ikan koi jenis ini salah satunya adalah koi Hariwake dengan dua variasi warna yaitu untuk warna metalik putih bercorak oranye yang disebut Orenji Hariwake, dan warna kuning yaitu Yamabuki Hariwake.
10. Hikari Utsuri
Koi jenis Utsuri ini memiliki garis keturunan yang sama dengan Koi jenis Showa Sanshoku. Utsuri adalah koi dengan sisik atau warna seperti Shiro Utsuri yaitu koi dengan warna putih yang kontras. Koi jenis Utsuri sama seperti koi jenis Showa Sanshoku yang memiliki hidung dan wajah berwarna hitam [6]. Ikan jenis ini mempunyai dasar warna hitam dengan belang warna putih (Shiro Utsuri), kuning (Ki Utsuri), atau merah (Hi Utsuri). Ada juga yang mempunyai warna dasar merah keemasan dengan sirip warna hitam atau bahkan ada yang tidak memiliki warna hitam sama sekali [5].
Gambar 2. 10 Ikan koi jenis Hikari Utsurimono [22]
11. Kawarimono
Pada jenisnya koi ini tidak hanya satu jenis, melainkan ada sekitar 20 macam dengan masing-masing memiliki karakter warna dan pola yang berbeda [5]. Koi jenis Kawarimono adalah koi dengan satu warna yang mempunyai sisik memanjang seperti jarring. Contoh dari koi jenis ini adalah seperti Karasugoi (koi hitam), Kigoi (koi kuning), Chagoi (koi coklat), Midorigoi (koi hijau) [6].
Gambar 2. 11 Ikan koi jenis kawarimono [22]
12. Tancho
Dari beberapa jenis ikan koi, koi jenis Tancho ini yang mudah untuk dikenali. Koi ini memiliki bulatan warna merah di dahi [5]. Corak warna merah yang berada tepat di pusat daerah kepala adalah untuk menentukan kualitas ikan koi jenis Tancho yang terbaik. Kulit sisik yang berwarna putih juga menjadi nilai tambah untuk koi jenis ini. Pada dasarnya koi jenis Tancho ini umumnya tidak membentuk warna tunggal, karena Tancho dibudidayakan dengan format Kohaku, Taisho Sanke, atau Showa Sanshoku [6]
Gambar 2. 12 Ikan koi jenis Tancho [22] .
13. Kinginrin
Koi Kinginrin merupakan koi dengan warna perak atau keemasan yang berkilauan. Pada koi Kinginrin warna kilauan putih dikenal dengan sebutan Gingrin, jika warna
kilauan berwarna merah bersinar dikenal dengan sebutan Kinrin. Koi dengan warna putih yang berkilau seperti berlian (ginrin) yang berada dari bahu sampai ke punggung merupakan koi dengan kualitas tinggi [6].
Gambar 2. 13 Ikan koi jenis Kinginrin [22]
2.2.2. Citra Digital
Citra digital dapat diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari kolom (M) dan baris (N), dimana perpotongan antara kolom dan baris disebut piksel (pixel) disebut juga picture element atau elemen terkecil dari suatu citra. Citra merupakan fungsi kontinu (continue) dengan intensitas cahaya pada bidang dua dimensi [23]. Agar suatu citra dapat diolah dengan komputer digital, maka citra tersebut harus dipresentasikan secara numerik dengan niai-nilai diskrit. Representasi dari fungsi kontinyu menjadi nilai-nilai diskrit disebut digitalisasi citra [23].
Pengolahan citra digital adalah suatu pemrosesan gambar 2 dimensi dengan menggunakan komputer sebagai alat bantu untuk mengolah sebuah citra 2 dimensi. Secara garis besar pengolahan citra sendiri adalah mengacu pada pemrosesan setiap data 2 dimensi. Citra digital sendiri adalah merupakan sebuah larik (array) yang berisikan sebuah nilai-nilai real maupun komplek yang direpresentasikan dengan sebuah deretan bit tertentu [24]. Sebuah citra dapat diartikan sebagai fungsi f(x,y) yang berukuran M baris dan N kolom, dengan x dan y adalah
kooordinat spasial, dan amplitude f di titik kooordinat (x,y) yang dinamakan itensitas atau tingkat keabuan dari citra pada sebuah titik yang ditunjuk [24].
Gambar 2. 14 Koordinat citra [24]
Pada perpotongan antara baris dan kolom (pada posisi x,y) pada sebuah citra menunjuk pada nilai atau dalam pengguna penggolahan citra digital sering disebut dengan picture elements, image elements, pels, atau pixels [24].
2.2.3. Komputer Visi
Komputer visi merupakan sebuah proses komputer yang terotomatisasi dimana mesin yang telah diberi pengetahuan tersebut dapat mengekstraksi informasi dari gambar, sehingga mesin dapat mengenali suatu objek yang telah diobservasi seperti akuisis citra, pengolahan citra, klasifikasi, pengenalan (recognition), dan membuat keputusan [25]. Komputer vision adalah sebuah disiplin ilmu yang mempelajari proses menyusun deskripsi tentang objek yang terkandung pada suatu gambar atau mengenali objek yang ada pada gambar. Komputer vision berusaha untuk menerjemahkan citra menjadi sebuah deskripsi atau sebuah informasi yang merepresentasikan citra tersebut [26]. Sehingga inputan dari komputer vision adalah berupa citra sedangkan output berupa informasi. Komputer visi merupakan salah satu cabang ilmu pengetahuan yang mempelajari bagaimana komputer dapat bekerja seperti manusia yang dapat mengenali suatu objek yang diamati. Komputer visi lebih banyak mempelajari bagaimana komputer yang sudah diberi pengetahuan tersebut dapat mengenali objek yang diamati.
Komputer vision (visi) merupakan teknologi mesin yang telah diberikan pengetahuan, dimana mesin tersebut dapat melakukan atau mengektrasi informasi dari gambar yang didapat, misal gambar kamera, urutan video, data multi-dimensi dari scanner medis dan lain sebagainya [9]. Pada dasarnya komputer visi sendiri memiliki kesamaan dengan manusia, yaitu kesamaan dalam cara kerja sistem visual manusia. Kesamaan mulai dari manusia melihat suatu objek dengan indra penglihatan manusia yaitu mata, kemudian gambar objek yang telah dilihat oleh manusia melalui mata tersebut dilanjutkan ke otak untuk diinterpretasi untuk kemudian menghasilkan suatu informasi dari penglihatan atau pengamatan yang dilakukan sebelumnya. Sehingga manusia dapat mengenali objek yang diamati. Terdapat tiga aktivitas proses dalam computer visi, yaitu [25]:
1. Memperoleh atau mengakuisis citra digital.
2. Melakukan teknik komputasi untuk memperoleh citra atau memodifikasi data citra (operasi-operasi pengolahan citra )
3. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan atau tujuan tertentu, misalnya memandu robot, mengontrol peralatan, memantau manufaktur, dan lain-lain.
2.2.4. Pixel
Dalam sebuah citra terdiri dari sekumpulan sel-sel diskret yang disebut piksel. Piksel sendiri merupakan sebuah kisi-kisi persegi yang kecil dan selanjutnya setiap piksel mempunyai nilai yang sesuai dengan nilai kecerahan warna piksel itu sendiri. Dalam nilai kecerahan warna piksel sering disebut juga sebagai intensitas piksel [27]. Agar sebuah citra dapat disimpan dan terbaca didalam komputer digital, maka citra tersebut harus disimpan kedalam format yang dapat diolah oleh sebuah komputer digital, untuk kemudian komputer dapat mengolah citra tersebut dan menghasilkan sebuah informasi yang mewakili gambaran citra tersebut. Setiap pixel mewakili tidak hanya satu titik dalam sebuah citra, melainkan sebuah bagian berupa kotak yang merupakan bagian terkecil (sel). Nilai dari sebuah piksel haruslah dapat menunjukkan nilai rata-rata yang sama untuk seluruh bagian dari sel tersebut [24].
2.2.5. Citra RGB
Dalam sebuah citra digital terdiri dari tiga bidang citra yang saling lepas, dengan masing-masing bidang citra yang terdiri dari tiga buah warna utama, yaitu warna merah, warna hijau, dan warna biru. Setiap titik pada layar menunjuk pada piksel yang memiliki tiga buah kombinasi angka, yaitu R (red), G (green), dan B (blue) yang menentukan posisi dari warna merah, warna hijau, dan warna biru. Maka dari itu dalam suatu piksel akan mewakili tiga byte memori yang masing-masing terdiri dari 1 byte untuk warna merah, 1 byte untuk warna hijau, dan 1 byte untuk warna biru [27]. Sehingga dalam sebuah piksel yang menunjuk pada sebuah nilai intensitas kecerahan suatu citra dapat dituliskan sebagai contoh misalkan dengan warna RGB(25,70,255), sedangkan warna putih bisa dituliskan dengan RGB(255,255,255), dan hitam dengan RGB(0,0,0).
Gambar 2. 17 Citra RGB
2.2.6. Citra Grayscale
Citra grayscale adalah merupakan citra digital yang hanya memiliki satu nilai kanal atau hanya memiliki nilai tunggal pada setiap pikselnya, dengan kata lain satu nilai kanal pada piksel tersebut merupakan nilai bagian dari RGB. Nilai tersebut menunjukkan besarnya tingkat intensitas pada suatu citra grayscale. Warna yang dimiliki pada citra grayscale adalah terdiri dari warna hitam, keabuan, dan putih.
Tingkat keabuan pada citra grayscale merupakan warna abu dengan berbagai tingkatan, dimulai dari tingkat warna hitam hingga tingkat warna mendekati putih. Dalam citra grayscale memiliki kedalaman warna 8 bit (256 macam kombinasi warna keabuan) [24].
Gambar 2. 18 Citra grayscale
2.2.7. Analisis Tekstur
Dalam ilmu yang mempelajari tentang citra digital atau dalam pengenalan suatu objek melalui citra digital, analisis tekstur merupakan hal yang sangat penting penggunaanya. Dengan adanya analisis tekstur, suatu citra dapat dibedakan atau diklasifikasikan menurut jenisnya maupun karakteristik yang sudah disepakati atau ditentukan sebelumnya. Tekstur adalah karakteristik intrinsik dari suatu citra yang erat hubungannya dengan sebuah tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) dari susunan struktural piksel [28]. Analisis tekstur bekerja berdasarkan hubungan antar piksel yang mempunyai pola ketetanggaan dalam suatu citra digital. Ada beberapa syarat dalam terbentuknya suatu tekstur, yaitu [29]:
1. Adanya pola-pola primitive yang terbentuk dari satu atau lebih piksel pada sebuah citra. Pola-pola yang terbentuk dapat berupa pola titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dalam sebuah bentuk.
2. Pola-pola primitive yang terbentuk muncul berulang-ulang dengan interval dan jarak atau arah tertentu. Dengan begitu sehingga pola-pola tersebut dapat diprediksi atau ditemukan karakteristik dalam pengulangannya.
Gambar 2. 19 Contoh tekstur
Tedapat 2 pendekatan yang dapat digunakan dalam menganalisa tekstur dari suatu area, yaitu statistis dan struktural. Dalam pendekatan statistis mempertimbangkan bahwa intensitas dibangkitkan oleh medan acak dua dimensi. Contoh dalam metode statistis ini adalah run length, autokorelasi, co-occurrence, transformasi Fourier, frekuensi tepi, dan metode Law (pengukuran energi tekstur). Sedangkan untuk pendekatan
(b) Halus (a) Kasar
struktural adalah berkaitan dengan penyusunan bagian-bagian terkecil (primitif) suatu citra. Contoh dalam metode ini adalah model fractal [29].
2.2.8. Gray Level Co-occurrence Matrix (GLCM)
Ektrasi fitur merupakan bagian fundamental atau terpenting dalam analisis suatu citra. Fitur sendiri merupakan karakteristik unik dari suatu objek yang diamati. Salah satu metode ekstraksi fitur adalah Gray Level Co-occurrence Matrix (GLCM). Matrix co-occurrence adalah suatu matriks yang dibangun dengan menggunakan histogram tingkat kedua. Matrix co-occurrence adalah matriks yang berukuran L x L, dimana L merupakan banyaknya tingkat keabuan pada suatu citra grayscale dengan elemen-elemen P(x1, x2) yang merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan x1 yang berlokasi pada koordinat (j,k) dengan x2 yang berlokasi pada koordinat (m,n) [24]. Berdasarkan orde statistiknya, dapat dikelompokan menjadi 3, yaitu [30]:
1. Statistik orde-kesatu
Pada orde-kesatu ini merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram suatu citra. Histogram menunjukkan probabilitas kemunculan nilai dari derajat keabuan piksel dalam suatu citra dengan mengabaikan hubungan antar piksel tetangga. Analisa tekstur dengan menggunakan orde pertama ini lebih baik dalam merepresentasikan tekstur citra dalam parameter seperti mean, skewnes, variance, kurtosis dan entropy. 2. Statistik orde-kedua
Pada orde-kedua ini mempertimbangkan hubungan antara dua piksel yang bertetanggaan pada sebuah citra. Dalam kinerjanya, orde-kedua ini memerlukan bantuan matrix co-occurrence, biasanya disebut dengan GLCM (Gray Level Co-occurrence Matrix). Dalam metode GLCM terdapat 14 fitur yang
dapat di ekstraksi untuk mendapatkan ciri dari suatu citra yang diamati [31]. Analisa tekstur dengan menggunakan orde-kedua ini lebih baik dalam merepresentasikan tekstur citra dalam parameter seperti kontras, korelasi, homogenitas, entropy, dan energy
3. Statistik orde-ketiga
Dalam orde-ketiga ini mempertimbangkan hubungan antara tiga atau lebih piksel, secara teoritis memungkinkan akan tetapi tidak secara umum, karena akan sulit diterapkan.
Gray Level Co-occurrence Matrix adalah suatu matriks yang elemen-elemennya merupakan jumlah dari pasangan piksel yang memiliki tingkat kecerahan tertentu, dimana pasangan piksel tersebut terpisah dengan jarak (d) dan sudut ( ) [27]. Gray Level Co-occurrence Matrix merupakan metode yang digunakan untuk mendapatkan suatu ciri dari sebuah citra yang nantinya hasil dari pencarian ciri dari suatu citra tersebut dapat dijadikan sebuah inputan untuk mengklasifikasikan citra tersebut kedalam kelompok atau kelas-kelas tertentu yang sudah disepakati sebelumnya. Matriks ko-okurensi merupakan matriks yang akan digunakan untuk melakukan proses perhitungan pada metode GLCM. Ada empat sudut atau arah yang digunakan dalam metode GLCM untuk menentukan hubungan antar piksel yang mempunyai pola ketetanggaan dalam suatu citra digital, yaitu 0 , 45 , 90 , 135 . Sedangkan untuk jarak antar piksel biasanya ditetapkan sebesar 1 piksel, 2 piksel, 3 piksel, dan seterusnya.
Gambar 2. 20 Ilustrasi sudut dalam metode GLCM [32]
Langkah langkah untuk mendapatkan fitur ektrasi ciri dalam metode Gray Level Co-occurrence Matrix adalah sebagai berikut:
1. Normalisasi suatu citra dengan mengubah rentang nilai intensitas pixel
2. Membuat area kerja matriks.
3. Menentukan hubungan spasial antara piksel refrensi dengan piksel tetangga dengan memberikan nilai untuk sudut ( ), dan jarak (d). 4. Menghitung jumlah kookurensi matriks dan mengisikannya pada
area kerja matriks.
5. Menjumlahkan matriks kookurensi dangan matriks transposenya untuk menjadikan matriks yang simetris.
6. Normalisasi matriks untuk mengubahnya ke bentuk probabilitas. 7. Setelah mendapatkan matriks kookurensi tersebut, kemudian
dihitung analisa tekstur dengan menggunakan orde-kedua dengan menggunakan parameter seperti Korelasi, Kontras, Homogenitas, dan Energy
Contoh:
Diberikan sebuah citra dengan ukuran 4 x 4 piksel:
Piksel image I = [ ]
Langkah pertama adalah menormalisasi citra dengan mengubah rentang nilai intensitas pixel citra tersebut. Dengan rumus min max normalization :
( )
…..…..(2.1)
Dimana :
I = nilai piksel Max = nilai maksimal I Min = nilai minimal I newMax = nilai baru maksimal newMin = nilai baru minimal
Dari contoh kasus diatas, nilai dari piksel grayscale terdiri atas 0 sampai 255 dan akan diubah rentang nilainya menjadi min 0 dan max 3 dengan menggunakan rumus min max normalization, yaitu sebagai berikut:
( )
( )
( )
( )
Hasilnya sebagai berikut:
[ ] [ ]
Langkah kedua adalah membuat area kerja matriks, karena citra mempunyai empat aras keabuan, maka jumlah nilai piksel tetangga dan nilai piksel refrensi pada area kerja matriks berjumlah empat. Berikut merupakan area kerja matriks:
Tabel 2. 2 Area kerja matriks
0 1 2 3
0 0,0 0,1 0,2 0,3
1 1,0 1,1 1,2 1,3
2 2,0 2,1 2,2 2,3
3 3,0 3,1 3,2 3,3
Langkah ketiga adalah menentukan sudut ( ), dan jarak (d) untuk menentukan hubungan spasial antara piksel refrensi dengan piksel tetangga, ditentukan dengan sudut ( )= 0 dan jarak (d)= 1. Sudut orientasi menentukan arah hubungan piksel tetangga dari piksel piksel refrensi. Orientasi sudut ( )= 0 mengartikan arah horizontal.
Piksel tetangga
0 0 1 1 2 2 1 0
0 0 1 1 0 2 0 0
0 2 2 2 0 0 3 1
2 2 3 3 0 0 0 1
Gambar 2. 21 Hubungan spasial antar piksel
Dilihat dari area kerja matriks, angka 2 pada (0,0) mengartikan bahwa jumlah hubungan pasangan piksel (0,0) pada matriks citra berjumlah 2 pasang, angka 1 pada (3,3) mengartikan bahwa pasangan piksel dengan hubungan (3,3) pada matriks citra berjumlah 1. Langkah selanjutnya adalah menambahkan matriks kookurensi tersebut dengan matriks transposenya agar mendapatkan matriks yang simetris.
[
] + [
] = [
]
Gambar 2. 22 Matriks simetris
Setelah mendapatkan matriks yang simetris, langkah selanjutnya adalah menormalisasi matriks tersebut untuk mengubahnya ke bentuk probabilitas. Caranya adalah masing-masing sel dibagi dengan jumlah dari seluruh elemen spasial.
0 1 2 3 0
1 2 3
[
]
=
0,1667 0,0833 0,0416 0 0,0833 0,1667 0 0 0,0416 0 0,25 0,0416 0 0 0,0416 0,0833Gambar 2. 23 Normalisasi matriks dengan probabilitas
Setelah mendapatkan matriks kookurensi dari citra yang digunakan, maka dapat dihitung ciri statistik yang merepresentasikan citra yang telah digunakan atau diamati. Untuk ciri yang diekstraksi dari matriks kookurensi citra yang diamati menggunakan 4 fitur yaitu, Korelasi, Energy, Homogenitas, dan Kontras.
Korelasi menunjukkan ketergantungan linear gray tone pada sebuah citra yang diamati. Untuk Pij merupakan distribusi probabilitas bersama dari pasangan piksel dengan tingkat keabuan i dan j dari matriks kookurensi. Untuk adalah rata-rata dari nilai piksel dan merupakan standart deviasi [31]. Korelasi menunjukkan ukuran ketergantungan linear derajat keabuan dari pksel-pikel yang saling bertetangga dari sebuah citra yang diamati, sehingga dapat memberikan petunjuk adanya struktur linear dalam citra tersebut [27]. Korelasi dapat dihitung dengan menggunakan rumus persamaan sebagai berikut:
Korelasi
=
∑ ∑ ( )( )( ( ))
Dimana : ∑ ∑ ( ) ... (2.3) ∑ ∑ ( ) ... (2.4) ∑ ( ) ( ) ... (2.5) ∑ ( ) ( ) ... (2.6) √ ... (2.7) √ ... (2.8)
Energy adalah merupakan sebuah pengukuran distribusi intensitas piksel terhadap jangkauan aras keabuan dalam sebuah citra yang diamati [31]. Dimana P(i,j) menyatakan nilai pada baris ke i dan kolom ke j pada matriks kookurensi. Energy dapat dihitung dengan menggunakan rumus persamaan sebagai berikut:
Energy
=
∑
∑
( )
...
(2.9)Homogenitas merupakan kesamaan atau kehomogenan variasi dari matriks kookurensi dalam citra yang diamati [31]. Homogenitas dapat dihitung dengan menggunakan rumus persamaan sebagai berikut:
Homogenitas
= ∑
∑
( )
| |
Kontras menunjukkan penyebaran (momen inersia) elemen-elemen pada matriks citra [9]. Kontras dapat dihitung dengan menggunakan rumus persamaan sebagai berikut:
Kontras
= ∑
∑
| |
( )
.... (2.11) 2.2.9. K-Nearest Neighbor (k-NN)Klasifikasi merupakan proses yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan agar data baru dapat diprediksi atau agar bisa digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui [33]. Algoritma klasifikasi saat ini sangat sering digunakan secara luas, salah satu algoritma klasifikasi adalah k-Nearest Neighbor (k-NN). Dalam algoritma klasifikasi k-NN termasuk dalam kelompok instance-based learning. Cara kerja algoritma k-NN dalam mengklasifikasi data baru adalah dengan mencari kelompok k objek dalam data training yang paling dekat atau mirip dengan data baru atau data testing. Algoritma k-NN adalah termasuk dalam algoritma supervised learning, dimana hasil dari query instance akan diklasifikasikan berdasarkan label terbanyak dari k-NN atau berdasarkan data training [27]. Algoritma k-NN bekerja hanya berdasarkan jarak terpendek dari query instance ke data sample, setelah itu mengurutkan data yang mempunyai jarak terpendek dan kemudian diambil k buah data terdekat. Kelas yang paling banyak ditemui pada k buah tetangga terdekat, maka data uji termasuk dalam kategori tersebut. Ada banyak cara untuk mengukur jarak antara data baru dan data lama (data training). Perhitungan jarak antara data query instance dan data uji dapat dihitung menggunakan Euclidean distance. Langkah dalam melakukan klasifikasi dengan algoritma k-NN adalah sebagai berikut:
1. Langkah pertama adalah dengan menentukan k, yaitu jumlah tetangga terdekat. Parameter k bernilai ganjil, misal 1,3,5,7,9
2. Kemudian menghitung jarak antara citra latih dengan citra uji. Ada banyak cara untuk mengukur jarak antara citra latih dengan citra uji. Salah satunya menggunakan perhitungan jarak Euclidean distance.
3. Kemudian mengurutkan hasil pencarian jarak terdekat, setelah itu tetapkan tetangga terdekat berdasarkan k yang ditentukan.
4. Periksa label pada k buah data terdekat.
5. Kemudia kelompokan citra uji kedalam kelas mayoritas dari k buah tetangga terdekat berdasarkan data citra latih.
Berikut adalah alur diagram dari proses klasifikasi dengan menggunakan algoritma klasifikasi k-NN :
Contoh:
Diketahui 6 buah jenis citra ikan koi, yaitu 2 buah citra koi jenis Kohaku, 2 citra koi jenis Showa, dan 2 citra koi jenis Sanke. Citra tersebut termasuk ke dalam citra training. Kemudian 1 citra yang belum di ketahui labelnya untuk diuji. Pada penelitian ini menggunakan 4 fiitur ciri yaitu, Korelasi, Kontras, Homogenitas, dan Energy. Misal sudah didapatkan nilai dari keempat fitur ekstraksi ciri GLCM tersebut, yaitu sebagai berikut:
Tabel 2. 3 Nilai hasil ekstraksi fitur GLCM
Citra Contras Correlation Energy Homogeneity kelas
1 0,811 0,966 0,551 0,871 Kohaku 2 0,799 0,867 0,611 0,811 Kohaku 3 0,661 0,523 0,452 0,655 Showa 4 0,692 0,551 0,499 0.612 Showa 5 0,418 0,311 0,232 0,411 Sanke 6 0,323 0,298 0,223 0,399 Sanke 7 0,612 0,499 0,401 0,692 ?
Langkah pertama kita menentukan parameter k, yaitu k = 3. Kemudian kita menghitung jarak antara citra uji dengan semua citra training dengan menggunakan perhitungan jarak Euclidean distance.
Citra 1 dengan citra 7
√|( )| |( )| |( )| |( )| √
= 0,599
Citra 2 dengan citra 7
√|( )| |( )| |( )| |( )| √
= 0,502
Citra 3 dengan citra 7
√|( )| |( )| |( )| |( )| √
= 0,084
Citra 4 dengan citra 7
√|( )| |( )| |( )| |( )| √
= 0.158
Citra 5 dengan citra 7
√|( )| |( )| |( )| |( )| √
= 0,425
Citra 6 dengan citra 7
√|( )| |( )| |( )| |( )| √
Setelah mendapatkan jarak antara citra uji dan citra training dengan menggunakan Euclidean distance, langkah selanjutnya adalah mengurutkan hasil perhitungan jarak berdasarkan nilai minimum atau terdekat.
Tabel 2. 4 Rangking citra dari jarak terpendek
Jarak citra dengan citra 7 Rangking Label
Citra 1 0,599 6 Kohaku Citra 2 0,502 5 Kohaku Citra 3 0,084 1 Showa Citra 4 0.158 2 Showa Citra 5 0,425 3 Sanke Citra 6 0,492 4 Sanke
Setelah diurutkan ambil k buah terpendek, atau 3 citra yang memiliki jarak terpendek, lalu tentukan kelas atau label mayoritas dalam k buah jarak terpendek.
Tabel 2. 5 kelas mayoritas dari nilai k
Citra Rangking Label
Citra 3 1 Showa Citra 4 2 Showa Citra 5 3 Sanke Citra 6 4 Sanke Citra 2 5 Kohaku Citra 1 6 Kohaku
![Gambar 2. 12 Ikan koi jenis Tancho [22]](https://thumb-ap.123doks.com/thumbv2/123dok/4373780.3191656/38.893.390.750.169.336/gambar-ikan-koi-jenis-tancho.webp)
![Gambar 2. 13 Ikan koi jenis Kinginrin [22]](https://thumb-ap.123doks.com/thumbv2/123dok/4373780.3191656/39.893.376.771.326.506/gambar-ikan-koi-jenis-kinginrin.webp)
