PENCAPAIAN KLASIFIKASI TERBAIK BERBASIS PERBAIKAN CITRA CLAHE DAN DARK CHANNEL PRIOR PADA SPESIES IKAN
Article Sidebar
Main Article Content
Abstract
Ikan merupakan bahan pangan lauk-pauk utama yang dikonsumsi manusia untuk menunjang protein hewani dan zat-zat lain yang diperlukan tubuh. Ikan merupakan lauk-pauk pilihan utama yang memiliki harga relative murah dan mudah didapat. Namun pada nyatanya konsumsi ikan di Indonesia sangat rendah dibandingkan dengan negara-negara yang memiliki potensi sumberdaya perikanan yang jauh lebih rendah seperti negara Jepang, Korea Selatan, serta negara-negara di Asia lainnya. Di sisi lain, salah satu kekayaan Indonesia yang sangat berlimpah pada sector perairan adalah biota ikan. Dengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan masyarakat. Selain meningkatkan tingkat kesehatan serta kecerdasan, juga semakin menggairahkan sektor perikanan untuk dapat mendorong peningkatan penyerapan tenaga kerja, meningkatkan pendapatan serta kesejahteraan pada masyarakat khususnya profesi nelayan, pembudidaya ikan, pengolah hasil ikan serta pihak terkait lainnya. Maka, perlu ditingkatkan kemampuan pengenalan ikan secara otomatis dengan bantuan computer untuk mengenali jenis-jenis ikan yang sangat beragam guna mempermudah proses pengelolaan dan distribusi ikan. Oleh karena itu dalam penelitian ini, peneliti ini mengusulkan untuk melakukan analisis dampak pre-processing dari kombinasi algoritma CLAHE dan DCP yang diterapkan dalam klasifikasi ikan dengan Random Forest.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Muchtadi D, Astawan M, Palupi NS.2007. Pengetahuan Bahan Pangan Hewani. Jakarta : Universitas Terbuka.
Suryani N, dkk. 2016.Perbedaan Kadar Protein dan Kadar Lemak Ikan Patin (Pangasius hypophtalmus) yang Diolah secara Digoreng, Dipanggang dan Direbus. Stikes Husana Borneo
Setyorini, E. Pangan Laut Belajar dari Jepang, 28 Desember 2007.Inovasi, vol 6/xviii/maret 2006.http://io.ppi- Jepang.org/article.php.kamis 18 Mei 2017.
M. Suganuma, D. Tsuchiya, S. Shirakawa, and T. Nagao, “Hierarchical feature construction for image classification using Genetic Programming,” in 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2016, pp. 001423–001428.
R. A. Pramunendar, C. Supriyanto, D. H. Novianto, I. N. Yuwono, G. F. Shidik, and P. N. Andono, “A classification method of coconut wood quality based on Gray Level Co-occurrence matrices,” in 2013 International Conference on Robotics, Biomimetics, Intelligent Computational Systems, 2013, pp. 254–257.
Gu, Z. et al., 2016. Automatic searching of fish from underwater images via shape matching. In OCEANS 2016 - Shanghai. IEEE, pp. 1–4. Available at: http://ieeexplore.ieee.org/document/7485597/.
C. Spampinato et al., “Fine-grained object recognition in underwater visual data,” Multimedia Tools and Applications, vol. 75, no. 3, pp. 1701–1720, Feb. 2016.
B. J. Boom et al., “A research tool for long-term and continuous analysis of fish assemblage in coral-reefs using underwater camera footage,” Ecological Informatics, vol. 23, pp. 83–97, Sep. 2014.
B. Tran, B. Xue, and M. Zhang, “Genetic programming for feature construction and selection in classification on high-dimensional data,” Memetic Computing, vol. 8, no. 1, pp. 3–15, Mar. 2016.
D. Zhang, D.-J. Lee, M. Zhang, B. J. Tippetts, and K. D. Lillywhite, “Object recognition algorithm for the automatic identification and removal of invasive fish,” Biosystems Engineering, vol. 145, pp. 65–75, May 2016.
P. Mohanaiah, P. Sathyanarayana, and L. Gurukumar, “Image Texture Feature Extraction Using GLCM Approach,” International Journal of Scientific and Research Publications, vol. 3, no. 5, pp. 1–5, 2013.
Pramunendar, R.A., Wibirama, S. & Santosa, P.I., 2018. A Novel Approach for Underwater Image Enhancement based on Improved Dark Channel Prior with Colour Correction. Journal of Engineering Science and Technology, 13(12), pp.1–18.
P. X. Huang, B. J. Boom, and R. B. Fisher, “Underwater Live Fish Recognition Using a Balance-Guaranteed Optimized Tree,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 7724 LNCS, no. PART 1, 2013, pp. 422–433
Ricardus Anggi Pramunendar et al., 2020. New Workflow for marine Fish Classification Based on Combination Features and CLAHE Enhancement Technique. International Journal of Intelligent Engineering & Systems, Vol.13, No.4, 2020