(Identification of Tuna and Skipjack Fish Texture Using Glcm With Naive Bayes Classification)

(1)

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 Laisouw}1

1_{Fakultas 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

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

(2)

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.

(3)

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

(4)

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)

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

(5)

289 3.2.3. Analisis m a t r i k P1,90 (M)

1. Pembentukan matriks Cooccurence I dan I + IT₌

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_{= 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:}

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)

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

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)

matriks simetris ternormalisasi dari jarak 1 untuk

1. Pembentukan matriks Cooccurence I dan

Sehingga I + IT_{= matriks GLCM sudut 90}o

                                      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

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)

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

(6)

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

(7)

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.