Tugas Akhir Mahasiswa Nim 12220143 Shafirkan

Tugas Akhir Mahasiswa Nim 12220143 Shafirkan

• By Shafirkan; Duwi Cahya Putri Buani;
• Tugas Akhir
• 40
• 92

Abstrak. 

Klasifikasi jenis ikan koi merupakan proses penting untuk membedakan berbagai jenis ikan koi yang memiliki pola dan warna yang hampir serupa. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan fitur warna sebagai ekstraksi ciri, serta algoritma K-Nearest Neighbor (KNN) sebagai metode klasifikasi. Dataset yang digunakan berjumlah 1.500 citra ikan koi yang terdiri atas 15 jenis, masing-masing 100 citra, diperoleh dari Kaggle dan dibagi menjadi 1.200 data latih (80%) serta 300 data uji (20%). Tahap pra-pemrosesan meliputi perubahan ukuran citra menjadi 256 × 256 piksel, penghapusan latar belakang, pemangkasan area objek, konversi ke citra keabuan, dan peningkatan kualitas citra menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE). Ekstraksi fitur tekstur dilakukan menggunakan GLCM dengan parameter Contrast, Dissimilarity, Correlation, Homogeneity, Energy, dan Angular Second Moment (ASM) pada jarak 1, 3, dan 5 serta sudut 0°, 45°, 90°, dan 135°, sedangkan fitur warna diekstraksi dari ruang warna HSV dan RGB. Seluruh fitur dinormalisasi menggunakan StandardScaler sebelum diklasifikasikan dengan algoritma KNN (K = 3). Hasil pengujian menunjukkan bahwa citra dengan latar belakang menghasilkan akurasi 70,00%, presisi 70,92%, recall 70,00%, dan F1-score 69,71%, sedangkan citra tanpa latar belakang menghasilkan akurasi 95,33%, presisi 95,54%, recall 95,33%, dan F1-score 95,27%. Hasil tersebut menunjukkan bahwa kombinasi GLCM, fitur warna, dan KNN mampu mengklasifikasikan jenis ikan koi dengan baik, serta penghapusan latar belakang secara signifikan meningkatkan kinerja klasifikasi.

Abstract. 

Koi fish classification is an important process for distinguishing various koi fish types that have highly similar color patterns and visual appearances. This study aims to develop an automatic classification system using the Gray Level Co-Occurrence Matrix (GLCM) and color features for feature extraction, as well as the K-Nearest Neighbor (KNN) algorithm for classification. The dataset consists of 1,500 koi fish images representing 15 classes, with 100 images for each class, obtained from Kaggle and divided into 1,200 training images (80%) and 300 testing images (20%). The preprocessing stage includes resizing the images to 256 × 256 pixels, removing the background, cropping the object region, converting the images to grayscale, and enhancing image quality using Contrast Limited Adaptive Histogram Equalization (CLAHE). Texture features are extracted using GLCM, including Contrast, Dissimilarity, Correlation, Homogeneity, Energy, and Angular Second Moment (ASM) with distances of 1, 3, and 5 and angles of 0°, 45°, 90°, and 135°, while color features are extracted from the HSV and RGB color spaces. All features are normalized using StandardScaler before being classified using the KNN algorithm (K = 3). Experimental results show that images with backgrounds achieved an accuracy of 70.00%, precision of 70.92%, recall of 70.00%, and an F1-score of 69.71%, whereas background-removed images achieved an accuracy of 95.33%, precision of 95.54%, recall of 95.33%, and an F1-score of 95.27%. These results demonstrate that the combination of GLCM, color features, and the KNN algorithm effectively classifies koi fish types, while background removal significantly improves classification performance.

 

• Katakunci Ikan koi, Gray Level Co-Occurrence Matrix (GLCM), fitur warna, K-Nearest Neighbor (KNN), klasifikasi citra.
• URL http://
• Penerbit Jurnal Ilmu Komputer dan Informasi,

REFERENSI

[1]      Fariz Prasetya Putra, “KLASIFIKASI JENIS IKAN KOI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN FITUR HOG DAN HSV Oleh : Fariz Prasetya Putra PROGRAM STUDI INFORMATIKA FAKULTAS ILMU KOMPUTER DAN REKAYASA UNIVERSITAS MULTI DATA PALEMBANG PALEMBANG,” 2023.

[2]      S. S. Asmoro et al., “Rancang Bangun Aplikasi Mobile Untuk Klasifikasi Jenis Ikan Koi Menggunakan Algoritma Convolutional Neural Network,” vol. 3, pp. 270–277, 2024.

[3]      N. R. Hanggara, R. K. Niswatin, and P. Kasih, “Penerapan Content Based Image Retrieval Untuk Pengenalan Jenis Ikan Koi,” 2021.

[4]      A. Ahmad, “Mengenal Artificial Intelligence , Machine Learning , Neural Network , dan Deep Learning”.

[5]      Rohman Dijaya, BUKU AJAR PENGOLAHAN CITRA. 2023.

[6]      Achmarizal, “PENGOLAHAN CITRA.” Accessed: May 05, 2026. [Online]. Available: https://achmadrizal.staff.telkomuniversity.ac.id/pengolahan-citra/

[7]      D. I. Processing, “Pengolahan citra digital dan histogram dengan phyton dan text editor phycharm,” vol. 11, no. 3, pp. 181–186, 2020.

[8]      I Komang Parama Siddhi, “Representasi Citra Digital.” Accessed: May 05, 2026. [Online]. Available: https://putuadisusanta.wordpress.com/2015/07/17/representasi-citra-digital/

[9]      U. P. T. Balai, P. Budidaya, and E. B. Regency, “TEKNIK DAN ANALISA USAHA PEMBENIHAN IKAN KOI ( Cyprinus DINAS PERIKANAN KABUPATEN BELITUNG TIMUR TECHNIQUES AND BUSINESS ANALYSIS OF KOI FISH ( Cyprinus rubrofuscus ) BREEDING AT THE FISHERIES CULTIVATION CENTER , FISHERIES,” vol. 1, 2024.

[10]    Untung Mina Papilon|Mahmud Efendi, IKAN KOI. Jakarta: Penebar Swadaya, 2017. [Online]. Available: https://books.google.co.id/books?id=Iy0-DwAAQBAJ

[11]    Rayhannnn, “Koi Image Dataset,” Kaggle. Accessed: May 05, 2026. [Online]. Available: https://www.kaggle.com/datasets/rayhannnn/koi-image-dataset/data

[12]    J. Penciptaan, P. Studi, and D.-B. Dan, “UPT Perpustakaan ISI Yogyakarta,” 2019.

[13]    G. Dan and K. N. Knn, “KLASIFIKASI JENIS JAMUR MENGGUNAKAN EKSTRAKSI FITUR GLCM DAN K-NEAREST NEIGHBOR ( KNN ) Frencis,” vol. 4, no. 3, pp. 286–290, 2022.

[14]    A. Prabowo, D. Erwanto, and P. N. Rahayu, “Klasifikasi Kesegaran Daging Sapi Menggunakan Metode Ekstraksi Tekstur GLCM dan KNN Freshness Classification of Beef Using GLCM Texture Extraction Method and KNN,” vol. 7, no. 1, 2021.

[15]    Rina, “Algoritma K-Nearest Neighbor (KNN): Penjelasan dan Implementasi untuk Klasifikasi Kanker.” Accessed: May 20, 2026. [Online]. Available: https://esairina.medium.com/algoritma-k-nearest-neighbor-knn-penjelasan-dan-implementasi-untuk-klasifikasi-kanker-ff9b7fbe0a4

[16]    F. R. Valerian et al., “Klasifikasi tingkat obesitas menggunakan metode gbm dan confusion matrix,” vol. 9, no. 2, pp. 2242–2249, 2025.

[17]    I. Ikan, “Klasifikasi Jenis Ikan Cupang Menggunakan Metode GLCM Dan KNN,” pp. 152–158, 2021.

[18]    D. Rohpandi, A. Sugiharto, and M. Y. S. Jati, “Klasifikasi Citra Digital Berbasis Ekstraksi Ciri Berdasarkan Tekstur Menggunakan GLCM Dengan Algoritma K-Nearest Neighbor,” pp. 79–86.

[19]    P. Metode and K. D. A. N. Ekstraksi, “PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MEDAN AREA MEDAN SKRIPSI Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana di Fakultas Teknik Universitas Medan Area DIAH AYU LARASATI,” 2021.

[20]    W. S. Sari, C. A. Sari, F. I. Komputer, and U. D. Nuswantoro, “Klasifikasi Bunga Mawar Menggunakan KNN dan Ekstraksi Fitur GLCM dan HSV,” vol. 5, pp. 145–156, 2022.

[21]    M. F. Musthafa, N. K. Hernanto, A. A. Ilmi, and A. P. Sari, “Klasifikasi Ikan Gurame , Mas , dan Pacu Menggunakan Metode CNN,” vol. 4, pp. 114–117, 2024.

[22]    H. P. Hadi et al., “Ekstraksi fitur warna dan glcm pada algoritma knn untuk klasifikasi kematangan rambutan,” pp. 63–68.