MODEL KLASIFIKASI KESEGARAN IKAN MENGGUNAKAN EKSTRAKSI CIRI TRANSFORMASI WAVELET. Skripsi SALSABILAH KHANSA

(1)

MODEL KLASIFIKASI KESEGARAN IKAN MENGGUNAKAN EKSTRAKSI CIRI

TRANSFORMASI WAVELET

Skripsi

SALSABILAH KHANSA 1610511040

UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAKARTA

FAKULTAS ILMU KOMPUTER PROGRAM STUDI INFORMATIKA

2020

(2)

i

MODEL KLASIFIKASI KESEGARAN IKAN MENGGUNAKAN EKSTRAKSI CIRI

TRANSFORMASI WAVELET

Skripsi

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Komputer

SALSABILAH KHANSA 1610511040

UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAKARTA

FAKULTAS ILMU KOMPUTER PROGRAM STUDI INFORMATIKA

2020

(3)

ii

PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya sendiri dan semua sumber yang dikutip maupun yang dirujuk telah saya nyatakan dengan benar.

Nama : Salsabilah Khansa

NIM : 1610511040

Tanggal : 22 Juni 2020

Bilamana di kemudian hari ditemukan ketidaksuaian dengan pernyataan saya ini, maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku.

Jakarta, 22 Juni 2020 Yang Menyatakan,

(Salsabilah Khansa)

(4)

iii

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN AKADEMIS

Sebagai civitas akademik Universitas Pembangunan Nasional Veteran Jakarta, saya yang bertanda tangan di bawah ini

NIM : 1610511040

Fakultas : Fakultas Ilmu Komputer Program Studi : Informatika

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Pembangunan Nasional Veteran Jakarta Hak Bebas Royalti Non- Eksklusif (Non-Exclusive Royalty Free Right) atas karya ilmiah saya yang berjudul:

Model Klasifikasi Kesegaran Ikan Menggunakan Ekstraksi Ciri Transformasi Wavelet

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti ini Universitas Pembangunan Nasional Veteran Jakarta berhak menyimpan, mengalih media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan skripsi saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta Pada tanggal : 22 Juni 2020

Yang Menyatakan,

(Salsabilah Khansa )

(5)

iv

PENGESAHAN

Dengan ini dinyatakan bahwa Tugas Akhir berikut :

NIM : 1610511040

Program Studi : Informatika

Judul Tugas Akhir : Model Klasifikasi Kesegaran Ikan Menggunakan Ekstraksi Ciri Transformasi Wavelet

Telah berhasil dipertahankan di hadapan Tim Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Komputer pada Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Nasional Veteran Jakarta.

Dr. Ermatita, M.Kom. Henki Bayu Seta, S.Kom., MTI.

Ketua Penguji Anggota Penguji

Jayanta S.Kom., M.Si. Ika Nurlaili Isnainiyah S.Kom., M.Sc.

Pembimbing I Pembimbing II

Dr. Ermatita M. Kom. Anita Muliawati S.Kom., MTI.

Dekan Ketua Program Studi

Ditetapkan di : Jakarta Tanggal Ujian : 17 Juni 2020

(6)

v ABSTRAK

Pada tahun 2019, Direktorat Jenderal PDSPKP Kementrian Kelautan dan Perikanan (KKP) RI melakukan survei penghitungan sementara mengenai angka konsumsi ikan nasional di 34 provinsi, yang ternyata mencapai sebesar 55,95 kg/kapita/tahun (KKP Komitmen Tingkatkan, 2019). Selanjutnya untuk tahun 2020, KKP menargetkan angka konsumsi ikan nasional menjadi 56,39 kg/kapita/tahun. Salah satu ikan yang persebarannya cukup luas dan hampir bisa ditemukan di seluruh perairan Indonesia adalah ikan selar. Oleh karena itu, ikan selar kuning dikategorikan sebagai bagian dari jenis ikan ekonomis yang dikonsumsi oleh masyarakat. Pedagang maupun pembeli sering kali ingin mengetahui apakah kualitas ikan yang dijual maupun dibeli masih dapat dikatakan baik dan masih dapat disimpan di dalam suhu dingin atau tidak. Salah satu cara untuk mengetahui kondisi ikan jika dilihat dari bidang keilmuan Informatika adalah dengan mengekstraksi ciri objek melalui citra dengan serangkaian metode pengolahan citra. Ektraksi ciri citra ikan menggunakan metode Transformasi Wavelet dan untuk membantu klasifikasi kesegaran ikan menggunakan algoritma K-Nearest Neighbor (KNN).

Kata Kunci : image processing, discrete wavelet transform, k-nearest neighbor dan ikan selar.

(7)

vi ABSTRACT

In 2019, the Directorate General of PDSPKP of Ministry of Maritime Affairs and Fisheries (KKP) Republic of Indonesia, conducted a provisional survey of national fish consumption figures in 34 provinces, which turned out to reach 55.95 kg/capita/year (KKP Commitment to Increase, 2019) . Furthermore, for 2020, KKP is targeting in the national fish consumption figure to 56.39 kg/capita/year.

One of the fish whose distribution is quite extensive and can almost be found in all Indonesian waters is a Selaroides leptolepis. Yellowstripe scad is one of the important economical types of fish consumed by the community. Traders and buyers often want to know whether the quality of fish sold or purchased can still be classified to be good and can still be stored in cold tempratures or not. One way to determine the condition of freshness viewed from Informatics is to extract object characteristics through image processing. In this study, using yellowstripe scad as a research subjects. The Wavelet Transform method will be used to extract fish image characteristics and K-Nearest Neighbor (KNN) algorithm to help classify the freshness of fish.

Keywords : image processing, discrete wavelet transform, k-nearest neighbor dan yellowstripe scad.

(8)

vii

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah swt atas rahmat dan karunia- Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Model Klasifikasi Kesegaran Ikan Menggunakan Ekstraksi Ciri Transformasi Wavelet”.

Penulis melaksanakan penelitian ini sejak bulan Januari hingga Mei 2020.

Penulis mengucapkan terima kasih kepada pihak-pihak yang telah membantu selama penelitian ini, yaitu kepada :

1. Keluarga yang selalu mengingatkan dan memberikan semangat kepada penulis agar dapat menyelesaikan skripsi tepat waktu.

2. Ibu Dr. Ermatita, M. Kom. selaku Dekan Fakultas Ilmu Komputer.

3. Ibu Anita Muliawati S.Kom., MTI. selaku Ketua Program Studi S1 Informatika.

4. Bapak Jayanta S.Kom., M.Si. selaku dosen pembimbing skripsi.

5. Ibu Ika Nurlaili Isnainiyah S.Kom., M.Sc. selaku dosen pembimbing skripsi.

6. Teman-teman Program Studi S1 Informatika Fakultas Ilmu Komputer Angkatan 2016 yang telah membuat perkuliahan selama empat tahun menyenangkan.

dan semua pihak lain yang turut serta membantu penulis dalam menyelesaikan skripsi ini.

Penulis menyadari bahwa masih ada kekurangan dalam tulisan ini. Kritik dan saran membangun sangat diharapkan agar tulisan ini bisa menjadi lebih baik lagi. Semoga skripsi ini dapat bermanfaat.

Jakarta, Mei 2019 Penulis

(9)

viii

DAFTAR ISI

PERNYATAAN ORISINALITAS ... ii

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN AKADEMIS ... iii

PENGESAHAN ... iv

ABSTRAK ... v

ABSTRACT ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... viii

DAFTAR TABEL ... xi

DAFTAR GAMBAR ... xii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Ruang Lingkup ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Luaran yang Diharapkan ... 3

1.7 Sistematika Penulisan ... 4

BAB II TINJAUAN PUSTAKA ... 5

2.1 Citra ... 5

2.2 Pengolahan Citra Digital ... 5

2.3 Transformasi Wavelet ... 7

2.4 Nilai Fitur yang Dipakai ... 8

2.4.1 Mean ... 8

(10)

ix

2.4.2 Mean dan Median Absolute Deviation (MAD) ... 9

2.5 K-Nearest Neighbor (KNN) ... 9

2.6 Library untuk Membuat Model : Matrix Laboratory (MATLAB)... 10

2.7 Ikan ... 10

2.7.1 Ikan Selar ... 11

2.7.2 Kualitas Ikan ... 11

2.8 Ulasan Penelitian Relevan ... 12

2.8.1 Penelitian Defit Bee, Winsy Ch. D. Weku, dan Altien J. Rindengan, 2016 ... 12

2.8.2 Penelitian Ni Made Satvika Iswari, Wella, dan Ramsy, 2017 ... 13

2.8.3 Penelitian Miftahur Danar Ramadhan dan Budi Setiyono, 2019 ... 14

2.9 Kesimpulan Penelitian Relevan ... 17

BAB III METODOLOGI PENELITIAN ... 19

3.1 Kerangka Berpikir... 19

3.1.1 Penentuan Topik ... 20

3.1.2 Studi Literatur ... 20

3.1.3 Akuisisi Data ... 20

3.1.4 Preprocessing ... 21

3.1.5 Feature Extraction ... 21

3.1.6 Pembagian Data Latih dan Data Uji ... 21

3.1.7 Perancangan dan Pelatihan Model Klasifikasi ... 22

3.1.8 Pengujian Model Klasifikasi ... 22

3.1.9 Penghitungan Akurasi ... 22

3.1.10 Laporan dan Dokumentasi ... 23

3.2 Perangkat Penelitian ... 23

3.2.1 Perangkat Keras (Hardware) ... 23

(11)

x

3.2.2 Perangkat Lunak (Software) ... 24

3.3 Jadwal Penelitian ... 24

BAB IV HASIL DAN PEMBAHASAN ... 25

4.1 Pengumpulan Data Citra ... 25

4.2 Preprocessing ... 27

4.2.1 Cropping ... 28

4.2.2 Resizing ... 28

4.2.3 Equalizing Histogram ... 29

4.2.4 Extracting Blue Channel ... 30

4.3 Feature Extraction ... 31

4.4 Perancangan Model... 32

4.4.1 Latih Data Tanpa Cross-Validation ... 32

4.4.2 Latih Data Dengan Cross-Validation ... 34

4.5 Pelatihan Model ... 35

4.6 Performa Model ... 35

4.6.1 Uji Model Tanpa K-Fold Cross-Validation ... 36

4.6.2. Uji Model Dengan K-Fold Cross-Validation ... 42

BAB V PENUTUP ... 44

5.1 Kesimpulan ... 44

5.2 Saran ... 44

DAFTAR PUSTAKA ... 46

RIWAYAT HIDUP ... 48

LAMPIRAN ... 49

(12)

xi

DAFTAR TABEL

Tabel 2.1 Kesimpulan Penelitian Terdahulu yang Relevan ... 17

Tabel 3.1 Jadwal Kegiatan Selama Penelitian ... 24

Tabel 4.1 Jumlah Data Citra Latih dan Data Citra Uji ... 27

Tabel 4.2 Nilai Fitur Citra ... 32

Tabel 4.3 Kombinasi Model KNN dan Level Dekomposisi Data Latih Tanpa Cross-Validation ... 33

Tabel 4.4 Kombinasi Model KNN dan Level Dekomposisi Data Latih Dengan Cross-Validation ... 34

Tabel 4.5 Kombinasi KNN dan Level Dekomposisi Data Uji Tanpa Cross- Validation ... 36

Tabel 4.6 Hasil Prediksi Data Uji dengan K = 1 ... 37

Tabel 4.7 Confusion Matrix Data Uji dengan K = 1 ... 38

Tabel 4.16 Jumlah Data Pada Setiap Fold ... 42

Tabel 4.17 Kombinasi KNN dan Level Dekomposisi Data Uji Dengan Cross- Validation ... 42

(13)

xii

DAFTAR GAMBAR

Gambar 2.1 Proses Transformasi Citra dengan Level Transformasi 1... 8

Gambar 2.2 Gambaran Transformasi Wavelet 2 Level ... 8

Gambar 2.3 Ikan Selar 116 mm ... 11

Gambar 2.4 Diagram Alur Program ... 15

Gambar 3.1 Kerangka Berpikir ... 19

Gambar 4.1 Hasil Pengambilan Citra Ikan Selar Kelas Storable ... 25

Gambar 4.2 Hasil Pengambilan Citra Ikan Selar Kelas Unstorable ... 26

Gambar 4.3 Struktur Folder ... 27

Gambar 4.4 Citra Ikan Sebelum Dipotong (Crop) ... 28

Gambar 4.5 Citra Ikan Kelas Storable Setelah Dipotong (Crop) ... 28

Gambar 4.6 Citra Ikan Setelah Resizing ... 29

Gambar 4.7 Citra Ikan Setelah Equalizing Histogram... 29

Gambar 4.8 Hasil Ekstraksi RGB Channel Kelas Storable ... 30

Gambar 4.9 Hasil Ekstraksi RGB Channel Kelas Unstorable ... 31

Gambar 4.10 Grafik Akurasi Model KNN Data Latih Tanpa Cross-Validation .. 33

Gambar 4.11 Grafik Akurasi Model KNN Data Latih Dengan Cross-Validation 34 Gambar 4.12 Grafik Akurasi Model KNN dengan Data Uji Tanpa Cross- Validation ... 36

Gambar 4.13 Grafik Akurasi Model KNN dengan Data Uji Dengan Cross- Validation ... 43