UNRAMUNRAM

Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )

Hewan-hewan laut sangat rentan terhadap pembusukan. Metode tradisional yang sering digunakan untuk membedakan tingkat kesegaran cumi-cumi oleh masyarakat lokal adalah dari warna dan bau tubuh cumi-cumi. Metode ini sangat sederhana tetapi memiliki banyak kekurangan dalam membedakan tingkat kesegaran cumi-cumi. Kekurangan metode ini terletak pada pemahaman dan tingkat akurasi setiap orang yang berbeda-beda. Oleh karena itu, diperlukan sistem yang dapat membedakan tingkat kesegaran cumi-cumi secara otomatis hanya dari gambar cumi-cumi. Dalam penelitian ini, dikembangkan sistem model yang dapat mengklasifikasikan tingkat kesegaran cumi-cumi menggunakan metode Support Vector Mahine (SVM). Metode GLCM dan histogram serta ruang warna HSI digunakan untuk ekstraksi fitur tekstur dan warna. Penelitian ini menggunakan tiga jenis klasifikasi. Total data yang digunakan dalam penelitian ini adalah 360 gambar tubuh cumi-cumi yang telah dipotong dan dirubah ukurannya menjadi 128 x 128 piksel untuk kelas jenis perlakuan. Total data untuk kelas jenis kesegaran dengan tiga jenis kelas adalah 495 dan total data untuk kelas jenis kesegaran dengan dua jenis kelas adalah 330. Dalam penelitian ini, dilakukan proses pemotongan, augmentasi, perubahan ukuran, dan konversi ruang warna pada dataset. Distribusi data latih dan data uji adalah 70:30. Akurasi tertinggi yang diperoleh adalah 67,75%.

Tujuan penelitian yang sudah dipaparkan pada bagian Pendahuluan telah didapatkan, sedangkan beberapa kesimpulan yang didapatkan dari penelitian ini antara lain sebagai berikut.Faktor penentu nilai akurasi dari metode support vector machine adalah terletak pada data.Jika data diberi label dengan tepat maka akurasi dari metode support vector machine (SVM) dapat meningkat.Banyaknya fitur yang digunakan tidak dapat menjamin peningkatan nilai akurasi.Perlu dilakukan seleksi fitur terlebih dahulu untuk menentukan fitur yang sesuai dengan permasalahan yang ada.Klasifikasi jenis perlakuan fitur terbaik didapatkan yaitu pada fitur warna HSI dengan nilai rata-rata akurasi sebesar 67,75%.Fitur terbaik untuk kelas jenis kesegaran yaitu fitur GLCM dengan nilai akurasi 58,5%.Perbedaan penggunaan media pengambilan gambar dataset pada penelitian juga mempengaruhi akurasi dari klasifikasi dengan menggunakan metode SVM.Hasil akurasi dari dataset dengan menggunakan kamera DSLR jauh lebih baik dibandingkan dataset menggunakan kamera HP.Selain itu rotasi juga dapat mempengaruhi hasil dari akurasi.Baik buruknya sebuah dataset dapat dilihat dari grafik penyebaran data dari setiap fitur yang digunakan.Jika terdapat perbedaan nilai fitur dari masing-masing kelas yang signifikan dapat dikatakan dataset yang digunakan merupakan dataset yang baik.

Berdasarkan hasil penelitian, terdapat beberapa saran untuk penelitian lanjutan. Pertama, perlu perhatian ekstra dalam pengambilan dan pemberian label dataset. Lebih baik jika membentuk tim dengan time keeper di dalamnya. Kedua, lakukan pengambilan data dengan menggunakan kamera Iphone. Ketiga, perlu dilakukan segmentasi untuk meningkatkan kualitas data. Keempat, lakukan seleksi fitur untuk mengetahui fitur yang tepat untuk jenis data seperti bagian tubuh cumi-cumi beserta grafik korelasi antar variabel kelas. Kelima, lakukan percobaan dengan menggunakan metode CNN atau metode klasifikasi lainnya.

Read online
File size705.64 KB
Pages12
DMCAReport

Related /

ads-block-test