Vol. 13 No. 2: 285-291
Oktober 2020 Peer-Reviewed
URL: https:https://ejournal.stipwunaraha.ac.id/index.php/AGRIKAN/
DOI: 10.29239/j.agrikan.13.2.285-291
Identifikasi Tekstur Ikan Tuna dan Cakalang Menggunakan GLCM dengan
Klasifikasi Naive Bayes
(
Identification of Tuna and Skipjack Fish Texture Using Glcm With
Naive Bayes Classification)
Muzakir Hi Sultan1 dan Ruslan Laisouw11Fakultas MIPA, Universitas Muhammadiyah Maluku Utara, Ternate, Indonesia, Email : zhakiermath90@gmail.com;
ruslanlaisouw@gmail.com Info Artikel: Diterima: 16 Agust. 2020 Disetujui: 11 Okt. 2020 Dipublikasi: 04 Nov. 2020
Artikel Penelitian Keyword:Tuna And Skipjack Fish, GLCM, Mean and Deviation standard, Likelihood, and Naive Bayes. Korespondensi: Muzakir Hi Sultan Universitas Muhammadiyah Maluku Utara, Ternate, Indonesia
Email:
zhakiermath90@gmail.com
Copyright© Oktober 2020 AGRIKAN
Abstrak. Ikan di perairan Indonesia memiliki beragam macam jenis yang terkenal adalah ikan tuna dan ikan cakalang. Kedua jenis ikan tersebut terlihat mirip, karena berasal dari satu keluarga yang sama yaitu scombridae. Untuk mengetahui dan membedakan jenis ikan tuna dan ikan cakalang dapat di lihat berdasarkan citra tekstur. Metode yang dapat digunakan dalam menganalisis tekstur adalah metode Grey Level Coocurent Matrix (GLCM). Dalam analisis tekstur tidak lepas juga dari pengklasifikasian. Ada beberapa metode pengklasifikasian citra, salah satu diantaranya adalah metode Naive Bayes. Penelitian ini bertujuan untuk mengidentifikasi jenis ikan tuna dan ikan cakalang dengan berdasarkan analisis tekstur menggunakan metode GLCM dan Naive Bayes. Berdasarkan hasil analalisi data testing pada jenis daging ikan tuna dan ikan cakalang menggunakan GLCM dengan sudut 0, 45, 90 dan 135 jarak setiap pixel sebesar 1, menunjukkan nilai Energy, Entropy Kontras, Homogenitas, Korelasi, Sum Average, dan Sum Variansi yang sangat bervariasi. Serta hasil klasifikasi Naive Bayes diperoleh probabilitas sebesar 0,58 atau 58% dikategorikan sebagai daging ikan tuna, sedangkan probabilitas sisanya sebesar 0,42 atau 42% dikategorikan sebagai cakalang.
Abstract Fish in Indonesian waters have various types, the famous ones are tuna and skipjack. The two types of fish look similar, because they come from the same family, namely scombridae. To find out and differentiate types of tuna and skipjack fish, it can be seen based on the texture image. The method that can be used in analyzing texture is the Gray Level Coocurent Matrix (GLCM) method. There are several methods of image classification, one of which is the Naive Bayes method. This study aims to identify types of tuna and skipjack based on texture analysis using the GLCM and Naive Bayes methods. Based on the results of testing data analysis on types of tuna and skipjack meat using GLCM with angles 0, 45, 90 and 135, the distance of each pixel is 1, indicating the value of Energy, Entropy Contrast, Homogeneity, Correlation, Sum Average, and Sum of Variance are highly varies. As well as the Naive Bayes classification results obtained a probability of 0.58 or 58% categorized as tuna meat, while the remaining probability of 0.42 or 42% is categorized as skipjack.
I. PENDAHULUAN 1.1. Latar Belakang
Sebagai negara kepulauan, Indonesia
dikenal kaya akan ikannya. Ikan di perairan Indonesia memiliki beragam macam jenis dan namanya, yang terkenal adalah ikan tuna dan ikan cakalang. Dibandingkan ikan cakalang, ikan tuna memiliki ukuran yang lebih besar (Saanin. 1984). Kedua jenis ikan ini mempunyai kemiripan, karena berasal dari keluarga scombridae atau ikan tanpa sisik dengan badan mengilat. Hanya saja dengan marga yang berbeda. Dalam membedakan jenis ikan tuna dan cakalang tentunya mudah bagi yang mengerti karakteristik kedua jenis ikan
tersebut. Orang dapat mengetahui dan
membedakan kedua jenis ikan melalui panca
indera melalui penglihatan, penciuman, perabaan
dan sebagainya (Burhanuddin. 1984).
Kedua jenis ikan ini memiliki tekstur dagingnya yang hampir mirip, tapi dengan rasa
yang berbeda. Kebanyakan orang yang
mengkonsumsi kedua jenis ikan tersebut tanpa
bisa membedakan jenis ikan dan manfaat ,
sehingga dibutuhkan suatu teknologi yang dapat
membantu orang agar mudahmengenali jenis ikan
dan manfaatnya ketika mengkonsumsi ikan tersebut. Citra tekstur daging ikan dapat
dugunakan untuk membedakan dan
mengklasifikasikan jenis ikan tuna dan cakalang. Pengenalan tekstur memegang peranan
penting dalam pengolahan citra karena
286 dapat memahami serta mengenali tekstur sama
seperti yang dilakukan oleh mata manusia (Saifudin. 2015). Karena komputer tidak memiliki indra penglihatan, maka komputer hanya dapat mengenali citra digital berdasarkan ciri atau karakteristik teksturnya. Tekstur pada citra adalah frekuensi perubahan rona yang terjadi karena adanya pola pixel tertentu yang muncul berulang-ulang sehingga membentuk pola tertentu. Suatu tekstur terjadi secara alami dan menjadi karakteristik dari suatu objek/benda. Dalam pengolahan citra, tekstur merupakan salah satu fitur yang dapat dieksraksi untuk identifikasi citra (Putra. 2009).
Analisis tekstur tidak lepas dari metode klasifikasi. Pengklasifikasian dilakukan untuk mengelompokan citra berdasarkan pola maupun tekstur. Ada beberapa metode pengklasifikasian citra yang dapat digunakan diantaranya adalah metode Naive Bayes. Metode Naive Bayes
dilakukan dengan cara klasifikasi citra
berdasarkan ekstraksi ciri tekstur dengan metode Grey Level Coocurent Matrix (GLCM).
1.2. Tujuan dan Manfaat
Penelitian ini bertujuan untuk melakukan analisis tekstur menggunakan metode Gray Level
Co-occurrenc Matrix (GLCM) dalam
mengidentifikasi dan mengklasifikasi jenis ikan tuna dan cakalang berdasarkan tekstur ikan tuna dan cakalang menggunakan metode naive bayes.
Adapun manfaat dari penelitian adalah diperoleh model kombinasi yang dapat digunakan untuk membedakan tekstur ikan tuna dan cakalang. II. Metodologi Penelitian
2.1. Waktu dan Lokasi Penelitian
Penelitian ini dilakukan di Laboratorium Multimedia Program Studi Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Universitas Muhammadiyah Maluku Utara.
2.2. Bahan dan Alat
Bahan penelitian diperoleh dari
pengambilan citra ikan tuna dan cakalang dengan masing-masing diambil citra daging dan ikan yang masih utuh. Setiap ikan diambil citra dari beberapa sudut, dan jarak yang berbeda. Semua
proses pengambilan citra wajah tersebut
dilakukan dalam ruangan dengan jenis intensitas cahaya yang berbeda. Alat yang digunakan pada tahap pelatihan dan tahap pengujian terhadap pengenalan citra ikan yaitu software Matlab 2010. 2.3. Prosedur Penelitian
Metode yang digunakan yaitu metode observasi langsung terhadap sampel citra daging ikan tuna dan cakalang. Data hasil observasi selanjutnya dianalisis menggunakan metode GLCM dan Naive-Bayes untuk mengidentifikasi dan mengklasifikasikan jenis citra daging ikan tuna dan cakalang, dengan prosedur dan tahapan seperti dijelaskan pada Gambar 1.
287 2.4. Analisis Data
1. Metode Gray Level Co-occurrence Matrix
(GLCM)
Matrix GLCM dihitung dari nilai pixel yang
berpasangan dan memiliki nilai intensitas
tertentu. Misalkan adalah jarak antara dua pixel
yaitu dan , serta sebagai sudut
antara keduanya. Maka matriks co-occurensi didefinisikan sebagai matriks yang menyatakan distribusi spasial antara dua piksel yang
bertetangga dengan intensitas dan dinyatakan
dengan Ada empat arah sudut yang
digunakan yaitu dan
(Albregtsen, 2008).
Gambar 2. arah empat sudut dengan jarak 1 pixel
Gambar 2 di atas adalah pixel-pixel yang
terbentuk dari matrik co-occurence dengan empat
arah sudut berbeda. Kemudian di normalisasi matri untuk mengubahnya ke dalam bentuk matriks probabilitas dengan rumus (Haralick, 1979):
di mana : adalah matriks normaslisasi GLCM 2. Ekstraksi Fitur GLCM
Proses ekstraksi merupakan salah satu karakteristik penting yang digunakan dalam mengidentifikasi objek atau pola citra, karena metode ekstraksi citra yang tepat akan mampu memberikan informasi yang detail tentang suatu citra. Untuk ciri yang diekstraksi dari matriks probabilitas menggunakan fitur-fitur sebagai berikut (Tuan, 2010):
1. Fitur Angular Second
Moment/Uniformity/Energy :
∑ ∑
di mana:
Matriks normaslisasi GLCM
adalah baris dan j adalah kolom matriks
GLCM 2. Fitur Entropy ∑ ∑ 3. Fitur Contras/kontras ∑ ∑ 4. Fitur Homogenity/Homogenitas ∑ ∑
5. Fitur Korelasi/ Correlation
∑ ∑ dengan: ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ( )
6. Fitur Jumlah Rata-rata/Sum Average
∑
dengan
∑ ∑
{ }
7. Fitur Jumlah Variansi/Sum Variance
∑
3. Metode Naive Bayes
Metode Naive Bayes merupakan
pengklasifikasian secara probabilistik, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya (Ronald, 1982).
Persamaan Naive Bayes adalah
| |
di mana :
Data dengan class yang belum diketahui
Hipotesis data merupakan suatu class spesifik
288
| Probabilitas hipotesis berdasar
kondisi (posteriori probabilitas)
Probabilitas hipotesis (prior probabilitas)
| Probabilitas berdasarkan kondisi pada hipotesis
Probabilitas
Untuk klasifikasi dengan data kontinu digunakan distribusi normal sebagai berikut:
| √
( )
Menghitung rata-rata (mean) tiap fitur dan tiap
kelas dengan persamaan di bawah ini.
∑
Kemudian hitung nilai standar deviasi tiap fiitur dan tiap kelas dengan persamaan di bawah ini
∑ di mana: inputan data standar deviasi mean banyaknya data
∑ jumlah nilai data
Setelah didapatkan nilai densitas probabilitas masing-masing kelas dan fitur, selanjutnya akan dicari nilai fungsi likelihood.
| | ∑ |
III. HASIL DAN PEMBAHASAN
3.1. Proses Grayscale dan pembentukan matriks
GLCM
Pemrosesan awal dengan memasukkan citra ikan tuna dan ikan cakalang sebagai input ke
dalam proses identifikasi. Proses cropping
dilakukan dengan cara manual dengan memilih area pada citra. Selanjutnya proses konversi Citra ikan tuna dan ikan cakalang kedalam bentuk citra
grayscale.
Gambar 3. Citra daging ikan tuna dan grayscale
Gambar 4. Citra daging ikan cakalang dan grayscale Terlihat bahwa citra ikan tuna memiliki citra yang lebih cerah dibandingkan dengan ikan cakalang tetapi memiliki tekstur yang hampir mirip sehingga sulit untuk dibedakan. Hasil
grayscale tersebut, kemudian d bentuk frame
work yang memiliki ukuran pixel 7 x 5 karena citra
grayscale di atas memiliki 4 nilai intensitas yaitu 0
sampai 3 dengan jarak diantara sudut adalah 1 3.2. Matriks C o - o c c u r a n c e Ikan Tuna 3.2.1. Analisis m a t r i k P1,0 (M)
Langkah untuk membentuk Cooccurence
Matrix simetris ternormalisasi dari jarak 1 untuk
sudut 0o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I dan I + IT
= matriks GLCM sudut 0o 0 7 1 4 7 0 5 5 1 5 0 8 4 5 8 0 0 3 1 2 4 0 3 2 0 2 0 4 2 3 4 0 0 4 0 2 3 0 2 3 1 3 0 4 2 2 4 0
3. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 0o = 60 0 1167 , 0 0167 , 0 0667 , 0 1167 , 0 0 0833 , 0 0833 , 0 0167 , 0 0833 , 0 0 1333 , 0 0667 , 0 0833 , 0 1333 , 0 0 0 7 1 4 7 0 5 5 1 5 0 8 4 5 8 0 60 1 ) , (i j x P 3.2.2. Analisis M a t r i k P1,45 (M)
Langkah untuk membentuk Cooccurence
Matrix simetris ternormalisasi dari jarak 1 untuk
sudut 45o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I dan I + IT =
matriks GLCM sudut 45o 0 1 6 2 1 4 5 4 6 5 0 0 2 4 0 8 0 0 4 0 1 2 2 2 2 3 0 0 2 2 0 4 0 1 2 2 0 2 3 2 4 2 0 0 0 2 0 4
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 45o = 48 0 0208 , 0 125 , 0 0417 , 0 0208 , 0 0833 , 0 1042 , 0 0833 , 0 125 , 0 1042 , 0 0 0 0417 , 0 0833 , 0 0 1667 , 0 0 1 6 2 1 4 5 4 6 5 0 0 2 4 0 8 48 1 ) , (i j x P
289 3.2.3. Analisis m a t r i k P1,90 (M)
Langkah untuk membentuk Cooccurence
Matrix simetris ternormalisasi dari jarak 1 untuk
sudut 90o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I dan I + IT =
matriks GLCM sudut 90o 0 6 1 3 6 0 3 6 1 3 0 8 3 6 8 0 0 3 1 1 3 0 2 2 0 1 0 5 2 4 3 0 0 3 0 2 3 0 1 4 1 2 0 3 1 2 5 0
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 90o = 60 0 1333 , 0 0 0667 , 0 1 , 0 0833 , 0 0667 , 0 1 , 0 0333 , 0 1 , 0 0 1333 , 0 0667 , 0 0667 , 0 1333 , 0 0 0 6 1 3 6 0 3 6 1 3 0 8 3 6 8 0 60 1 ) , (i j x P 3.2.4. Analisis m a t r i k P1,135 (M)
Langkah untuk membentuk matriks
Cooccurence simetris ternormalisasi dari jarak 1
untuk sudut 135o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I danI + IT =
matriks GLCM sudut 135o 10 0 0 0 0 8 1 4 0 1 10 0 0 4 0 10 5 0 0 0 0 4 0 2 0 1 5 0 0 2 0 5 5 0 0 0 0 4 1 2 0 0 5 0 0 2 0 5
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 135o = 48 2083 , 0 0 0 0 0 1667 , 0 0208 , 0 0833 , 0 0 0208 , 0 2083 , 0 0 0 0833 , 0 0 2083 , 0 10 0 0 0 0 8 1 4 0 1 10 0 0 4 0 10 48 1 ) , (i j x P
3.3. Matriks C o - o c c u r a n c e Ikan Cakalang 3.3.1. Analisis m a t r i k P1,0 (M)
Langkah Langkah untuk membentuk
matriks Cooccurence simetris ternormalisasi dari
jarak 1 untuk sudut 0o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I danI + IT =
matriks GLCM sudut 0o 0 7 4 4 7 0 3 5 4 3 0 8 4 5 8 0 0 4 3 2 3 0 2 3 1 1 0 4 2 2 4 0 0 3 1 2 4 0 1 2 3 2 0 4 2 3 4 0
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 0o = 62 0 1129 , 0 0645 , 0 0645 , 0 1129 , 0 0 0484 , 0 0806 , 0 0645 , 0 0484 , 0 0 1290 , 0 0645 , 0 0806 , 0 1290 , 0 0 0 7 4 4 7 0 3 5 4 3 0 8 4 5 8 0 62 1 ) , (i j x P 3.3.2. Analisis m a t r i k P1,45 (M)
Langkah untuk membentuk matriks
Cooccurence simetris ternormalisasi dari jarak 1
untuk sudut 45o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I danI + IT =
matriks sudut 45o 0 4 6 3 3 4 3 6 6 3 8 0 3 6 0 8 0 2 2 2 2 2 3 2 4 0 4 0 1 4 0 4 0 2 4 1 1 2 0 4 2 3 4 0 2 2 0 4
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 45o = 63 0 0635 , 0 0952 , 0 0476 , 0 0476 , 0 0635 , 0 0476 , 0 0952 , 0 0952 , 0 0476 , 0 1270 , 0 0 0476 , 0 0952 , 0 0 1270 , 0 0 4 6 3 3 4 3 6 6 3 8 0 3 6 0 8 63 1 ) , (i j x P 3.3.3. Analisis m a t r i k P1,90 (M)
Langkah untuk membentuk Cooccurence
matriks simetris ternormalisasi dari jarak 1 untuk
sudut 90o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I dan
Sehingga I + IT = matriks GLCM sudut 90o
0 7 3 3 7 0 4 6 3 4 0 6 1 6 6 0 0 3 1 2 3 0 2 3 1 2 0 2 2 3 4 0 0 4 2 1 3 0 2 3 1 2 0 4 2 3 2 0
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 90o = 56 0 1250 , 0 0536 , 0 0536 , 0 1250 , 0 0 0714 , 0 1071 , 0 0536 , 0 0714 , 0 0 1071 , 0 0179 , 0 1071 , 0 1071 , 0 0 0 7 3 3 7 0 4 6 3 4 0 6 1 6 6 0 56 1 ) , (i j x P 3.3.4. Analisis matriks P1,135 (M)
Langkah untuk membentuk matriks
Cooccurence simetris ternormalisasi dari jarak 1
untuk sudut 135o adalah sebagai berikut:
1. Pembentukan matriks Cooccurence I danI + IT =
matriks GLCM sudut 90o 0 7 3 3 7 0 4 6 3 4 0 6 1 6 6 0 0 3 1 2 3 0 2 3 1 2 0 2 2 3 4 0 0 4 2 1 3 0 2 3 1 2 0 4 2 3 2 0
2. Normalisasi matriks dengan total pasangan
matriks GLCM sudut 90o = 56 0 1250 , 0 0536 , 0 0536 , 0 1250 , 0 0 0714 , 0 1071 , 0 0536 , 0 0714 , 0 0 1071 , 0 0179 , 0 1071 , 0 1071 , 0 0 0 7 3 3 7 0 4 6 3 4 0 6 1 6 6 0 56 1 ) , (i j x P
290 3.4. Indentifkasi daging ikan Tuna dan Cakalang
menggunakan Fitur GLCM
Untuk ciri yang diekstraksi dari matriks
probabilitas menggunakan fitur-fitur GLCM serta
Mean dan Standar Deviasi dengan bantuan matlab
diperoleh hasil seperti terlihat pada tabel 1 dan tabel 2 sebagai berikut.
Tabel 1. Perhitungan fitur GLCM ikan tuna
Fitur 1 2 3 4 5 6 7
Sudut Energi Entropy Kontras Homo
genity Korelasi Sum Sum Aver Var Ikan Tuna 00 0,0999 1,0269 2,6672 0,3866 -0,1267 2,8004 2,1602 450 0,1059 1,0149 2,667 0,4667 -0,1407 2,7498 2,1039 900 0,1063 1,0129 2,6672 0,3778 -0,1114 2,6668 2,2218 1350 0,1727 0,8052 0,708 0,8457 0,8849 2,7912 4,2476 Mean 0,1212 0,9650 2,1774 0,5192 0,1265 2,7521 2,6834 Standar deviasi 0,0012 0,0114 0,9596 0,0490 0,2558 0,0037 1,0897 Tabel 2. Perhitungan fitur GLCM ikan cakalang
Fitur 1 2 3 4 5 6 7
Sudut Energi Entropy Kontras Homo
genity Korelasi Sum Sum Aver Var Ikan Cak alang 00 0,0931 1,0541 2,9024 0,3612 -0,1715 2,9028 2,2161 450 0,0879 1,0833 2,5863 0,5063 -0,11801 2,7771 2,1092 900 0,0963 1,0407 2,5361 0,3749 -0,0869 2,9643 2,1769 1350 0,1289 0,9371 2,0376 0,6925 0,4481 2,8518 3,8301 Mean 0,1016 1,0288 2,5156 0,4837 0,0179 2,8740 2,5831 Standar deviasi 0,0003 0,0041 0,1278 0,0237 0,0835 0,0063 0,6931
3.5. Klasifikasi daging ikan Tuna dan Cakalang
menggunakan Navie – Bayes
3.5.1. Densiti probabilitas daging ikan Tuna dan
Cakalang
Setelah diperoleh nilai densitas probabilitas masing-masing fitur, selanjutnya akan dicari nilai
Likehood sebagai berikut:
Tabel 5. Likelihood daging ikan Tuna dan Cakalang
Likelihood
Ikan Tuna Ikan Cakalang
Dari nilai likelihood masing- masing daging
ikan, selanjutnya dihitung nilai probabilitas akhir
Naïve-Bayes.
| |
Berdasarkan data testing yang diperoleh maka densiti probabilitas Ikan Tuna dan Cakalang dapat di lihat pada tabel 4 adalah sebagai berikut
Tabel 6. Klasifikasi Naïve-Bayes daging ikan Tuna dan cakalang
Klasifikasi Ikan Tuna Ikan Cakalang
Berdasarkan klasifikasi Naïve-Bayes
diperoleh probabilitas sebesar 0,58 atau 58% dikategorikan sebagai ikan tuna, sedangkan probabilitas sisanya sebesar 0,42 atau 42% dikategorikan sebagai ikan cakalang.
Tabel 4. Perhitungan fitur GLCM ikan cakalang
Densiti Ikan Tuna
Energi Entropy Kontras Homo genity Korelasi Sum Aver Sum Var 4,4213 1,316 0,3650 0,2086 0,9557 1,7253 0,3263 Densiti Ikan Cakalang
Energi Entropy Kontras Homo genity Korelasi Sum Aver Sum Var 2,355 3,422 0,0320 2,5072 0,3640 0,0017 0,5004
291 IV. PENUTUP
4.1. Kesimpulan
Dari penelitian ini maka dapat peroleh kesimpulan sebagai berikut:
1. Hasil perhitungan fitur GLCM yang paling
tinggi pada daging ikan tuna yaitu nilai Energy (0.1727), Entropy (1.0269), Kontras (2,6672), Homogenitas (0,8457), Korelasi (0,8849), Sum Average (0,8849), dan Sum Variansi (4,2476) . Sedangkan pada daging ikan cakalang yaitu Energy (0.1289), Entropy (1.0833), Kontras (2,9024), Homogenitas (0,6925), Korelasi (0,4481), Sum Average (2,9643), dan Sum Variansi (3,8301) pada sudut 0 derajat
2. Berdasarkan data testing yang digunakan dari
klasifikasi Naïve-Bayes diperoleh probabilitas sebesar 0,58 atau 58% dikategorikan sebagai daging ikan tuna, sedangkan probabilitas
sisanya sebesar 0,42 atau 42% dikategorikan sebagai cakalang.
4.2. Saran
Untuk penelitian selanjutnya dapat
dikembangkan dalam bentuk program atau aplikasi sehingga dapat lebih mudah dalam mengidentifikasi dan mengklasifikasikan citra daging ikan tuna dan ikan cakalang berdasarkan
tekstur menggunakan metode GLCM dan Metode
Naive-Bayes. Serta dapat diterapkan pada bentuk
sampel citra lainya.
UCAPAN TERIMA KASIH.
Terima kasih kepada LP3M Universitas
Muhammadiyah Maluku Utara yang telah
memberikan dana penelitian serta LAB
Multimedia F-MIPA.
REFERENSI
Albregtsen. 2008. Statistical Texture Measures Computed from Gray Level Coocurrence Matrices, Oslo. Burhanuddin. 1984. Suku Scombridae Tinjauan Mengenai Ikan Tuna, Cakalang, dan Tongkol. Lembaga
Oseanologi Nasional-LIPI, Jakarta.
Haralick. 1979. Statistical and Structural Approaches To Texture, Proceedings of the IEEE Putra. 2009, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.
Ronald. 1982. Pengantar Statistik Edisi Ke 3. PT. Garamedi Pustaka Utama, Jakarta Saanin. 1984. Taksonomi dan Kunci Identifikasi Ikan I dan II. Bina Cipta. Jakarta
Saifudin. 2015. Sistem Identifikasi Citra Kayu Berdasarkan Tekstur Menggunakan Gray Level Coocurrence Matrix (GLCM) dengan Klasifikasi Jarak Euclidean, Jurnal Sinergi Vol. 19, No. 3, Oktober 2015
Tuan. 2010. Optimization of Texture Feature Extraction Algorithm, Faculty of Electrical Engineering, Mathematics and Computer Science. Netherlands.