flipbook ikhtio kel 3-dikonversi

Identifikasi merupakan menempatkan atau menaruh bukti diri suatu individu melalui mekanisme
deduktif ke pada suatu takson menggunakan memakai kunci determinasi. Ikan dibedakan menurut
karakter-karakter generik yang bisa membedakan antara gerombolan yang satu menggunakan
gerombolan yang lain. Adapun karakter-karakter yang biasa dipakai pada identifikasi ikan antara
lain, yaitu: bentuk generik tubuh, bentuk dan jumlah sirip, bentuk mulut, bentuk ekor, dan
perbandingan dan posisi anggota tubuh (Adrim, 2010).

Klasifikasi adalah memutuskan definisi berdasarkan gerombolan atau kategori dari skala hierarki.
Pengenalan struktur ikan ini terlepas berdasarkan morfologi ikan yaitu bentuk luar ikan yang
adalah karakteristik-karakteristik yang gampang dicermati dan diingat pada mengusut jenis-jenis
ikan. Morfologi ikan sangat berhubungan dengan tempat asal ikan tadi pada perairan.

Gambar 1 Skema ikan untuk menunjukkan bagian-bagian utama ikan dan ukuran-ukuran
yang digunakan dalam identifikasi. (A) sirip punggung, (B) sirip ekor, (C) gurat sisi, (D)
lubang hidung, (E) sungut, (F) sirip dada, (G) sirip perut, (H) sirip dubur, (a) panjang
total, (b) panjang standar, (c) panjang kepala, (d) panjang batang ekor, (e) panjang
moncong, (f) tinggi sirip punggung, (g) panjang pangkal sirip punggung, (h) diameter
mata, (i) tinggi batang ekor, (j) tinggi badan, (k) panjang sirip dada, (l) panjang sirip
perut. (Gonzalez & Woodz, 2007).007).

K-Nearest Neighbor (KNN)

K-Nearest Neighbor (KNN) adalah suatu
metode yang menggunakan algoritma
supervised dimana hasil dari query
instance yang baru diklasifikan
berdasarkan mayoritas dari kategori
pada KNN. Tujuan dari algoritma ini
adalah mengklasifikasikan obyek baru
berdasarkan atribut dan training
sample.

K-Nearest Neighbor (KNN)

Algoritma K-Nearest Neighbor (KNN) adalah sebuah metode
untuk melakukan klasifikasi terhadap obyek berdasarkan data
pembelajaran yang jaraknya paling dekat dengan obyek tersebut.
Prinsip kerja dari K-Nearest Neighbor (KNN) adalah mencari
jarak terdekat antara data yang akan dievaluasi dengan K tetangga

(neighbor) terdekatnya dalam data pelatihan.

Prosedur Kerja Metode KNN

Berdasarkan prosedur kerja metode KNN (K-Nearest Neighbor), sampel citra ikan
yang asli digunakan pertama kali. Kemudian citra ikan diberi efek greyscale untuk
mengubah warna citra menjadi abu-abu dimana hal tersebut berfungsi untuk
menyederhanakan model gambar. Lalu citra gambar yang sudah diberi efek greyscale
dimasukkan dalam tahap pembentukan Co-ocourance yang melalui proses
perhitungan statis

01 02 03 04

Descriptor energy. Kontras (Contras) Entropi IDM (Inverse
Different Moment)

Hasil

Dari hasil proses tersebut maka dapat dibedakan antara ikan yang segar dan
ikan yang telah diberi formalin melalui system prosedur yang telah

dilakukan. Perbedaan ikan segar dengan ikan berformalin dapat dibedakan
dari tekstur ikan. Ikan yang tanpa formailin dapat dilihat dari mata ikan

terlihat jernih dan segar serta bentuk badan ikan yang terlihat lebih segar dan
tidak kaku. Sedangkan pada ikan berformalin warna mata ikan akan terlhat

seperti kemerahan, serta tekstur badannya lebih kaku dan tegang.

Machine learning atau pembelajaran mesin merupakan bagian
dari artificial intelligence yang terdiri dari supervised learning,
unsupervised learning, dan reinforcement learning. Pada
penelitian ini, untuk mengukur kinerja algoritma K-Neirest
Neighbor digunakan matthew correlation coefficient. Matthew
correlation coefficient mengukur performansi klasifikasi data
dengan range -1, 0, +1.

Semakin nilai MCC mendekati +1 maka semakin baik kinerja
algoritma klasifikasinya. Sebaliknya, jika nilai nya mendekati -1,
maka semakin buruk kinerja algoritma klasifikasi.

Research Metode

Framework penelitian 01 02 K-Nearest Neighbor

03

Matthew Correlation Coefficient

Terima Kasih