Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis
Indonesia adalah suatu negara kepulaun yang memiliki 2/3 wilayah lautan, secara sektor indonesia memiliki potensi pangan yang sangan besar dalam sektor perikanan. Ikan di dunia yang berhasil diuraikan sebanyak 27.000 terutama paling banyak dilaut indonesai. Ikan adalah salah satu keanekaragaman bio...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2023-08-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6787 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858661460541440 |
|---|---|
| author | Yusraka Dimas Al Iman R Rizal Isnanto Oky Dwi Nurhayati |
| author_facet | Yusraka Dimas Al Iman R Rizal Isnanto Oky Dwi Nurhayati |
| author_sort | Yusraka Dimas Al Iman |
| collection | DOAJ |
| description |
Indonesia adalah suatu negara kepulaun yang memiliki 2/3 wilayah lautan, secara sektor indonesia memiliki potensi pangan yang sangan besar dalam sektor perikanan. Ikan di dunia yang berhasil diuraikan sebanyak 27.000 terutama paling banyak dilaut indonesai. Ikan adalah salah satu keanekaragaman biologi yang menyusun ekosistem bahari. Ikan mempunyai bentuk serta ukuran eksklusif yang berbeda jenis yang satu dangan jenis yang lain. Pengenalan spesies ikan umumnya dilakukan secara manual dengan pengamatan mata. Tujuan penelitian ini untuk mengenali spesies ikan laut. 2-Dimensional Linear Discriminant Analysis (2D-LDA) dipergunakan untuk ekstraksi ciri dan K-Nearest Neighbor (K-NN) dipergunakan untuk klasifikasi jenis ikan laut. Fitur 2-Dimensional Linear Discriminant Analysis (2D-LDA) yang diekstraksi untuk menghasilkan dua matrik baru yaitu matrik score. Klasifikasi menggunakan metode K-Nearest Neighbor (K-NN) dengan membandingkan nilai k-n. Penelitian ini menggunakan 5 jenis ikan laut, dengan total data latih 800 gambar dan data uji 160 gambar. Hasil percobaan tebaik diperoleh k-9 dengan tingkat akurasi terbaik sebesar 93,12%, presisi 82,05%, recall 100%, dan F-1 score 90,14%.
Abstract
Indonesia is an archipelagic country which has 2/3 of the sea area, in terms of sector Indonesia has enormous food potential in the fisheries sector. There are 27,000 fish in the world that have been successfully described, especially in the Indonesian seas. Fish is one of the biological diversity that makes up the marine ecosystem. Fish have specific shapes and sizes that differ from one type to another. The identification of fish species is generally done manually by eye observation. The purpose of this research is to identify marine fish species. 2-Dimensional Linear Discriminant Analysis (2D-LDA) is used for feature extraction and K-Nearest Neighbor (K-NN) is used for classification of marine fish species. The 2-Dimensional Linear Discriminant Analysis (2D-LDA) features were extracted to produce two new matrices, namely the score matrix. The classification uses the K-Nearest Neighbor (K-NN) method by comparing the k-n values. This study used 5 types of marine fish, with a total of 800 images of training data and 160 images of test data. The best experimental results were obtained by k-9 with the best accuracy rate of 93.12%, precision of 82.05%, recall of 100%, and F-1 score of 90.14%.
|
| format | Article |
| id | doaj-art-eac367e97d934e2f98c126e12e16b3c2 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2023-08-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-eac367e97d934e2f98c126e12e16b3c22025-02-11T10:38:59ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792023-08-0110410.25126/jtiik.202410467871160Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant AnalysisYusraka Dimas Al Iman0R Rizal Isnanto1Oky Dwi Nurhayati2Universitas Diponegoro, SemarangUniversitas Diponegoro, SemarangUniversitas Diponegoro, Semarang Indonesia adalah suatu negara kepulaun yang memiliki 2/3 wilayah lautan, secara sektor indonesia memiliki potensi pangan yang sangan besar dalam sektor perikanan. Ikan di dunia yang berhasil diuraikan sebanyak 27.000 terutama paling banyak dilaut indonesai. Ikan adalah salah satu keanekaragaman biologi yang menyusun ekosistem bahari. Ikan mempunyai bentuk serta ukuran eksklusif yang berbeda jenis yang satu dangan jenis yang lain. Pengenalan spesies ikan umumnya dilakukan secara manual dengan pengamatan mata. Tujuan penelitian ini untuk mengenali spesies ikan laut. 2-Dimensional Linear Discriminant Analysis (2D-LDA) dipergunakan untuk ekstraksi ciri dan K-Nearest Neighbor (K-NN) dipergunakan untuk klasifikasi jenis ikan laut. Fitur 2-Dimensional Linear Discriminant Analysis (2D-LDA) yang diekstraksi untuk menghasilkan dua matrik baru yaitu matrik score. Klasifikasi menggunakan metode K-Nearest Neighbor (K-NN) dengan membandingkan nilai k-n. Penelitian ini menggunakan 5 jenis ikan laut, dengan total data latih 800 gambar dan data uji 160 gambar. Hasil percobaan tebaik diperoleh k-9 dengan tingkat akurasi terbaik sebesar 93,12%, presisi 82,05%, recall 100%, dan F-1 score 90,14%. Abstract Indonesia is an archipelagic country which has 2/3 of the sea area, in terms of sector Indonesia has enormous food potential in the fisheries sector. There are 27,000 fish in the world that have been successfully described, especially in the Indonesian seas. Fish is one of the biological diversity that makes up the marine ecosystem. Fish have specific shapes and sizes that differ from one type to another. The identification of fish species is generally done manually by eye observation. The purpose of this research is to identify marine fish species. 2-Dimensional Linear Discriminant Analysis (2D-LDA) is used for feature extraction and K-Nearest Neighbor (K-NN) is used for classification of marine fish species. The 2-Dimensional Linear Discriminant Analysis (2D-LDA) features were extracted to produce two new matrices, namely the score matrix. The classification uses the K-Nearest Neighbor (K-NN) method by comparing the k-n values. This study used 5 types of marine fish, with a total of 800 images of training data and 160 images of test data. The best experimental results were obtained by k-9 with the best accuracy rate of 93.12%, precision of 82.05%, recall of 100%, and F-1 score of 90.14%. https://jtiik.ub.ac.id/index.php/jtiik/article/view/6787 |
| spellingShingle | Yusraka Dimas Al Iman R Rizal Isnanto Oky Dwi Nurhayati Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis Jurnal Teknologi Informasi dan Ilmu Komputer |
| title | Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis |
| title_full | Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis |
| title_fullStr | Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis |
| title_full_unstemmed | Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis |
| title_short | Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis |
| title_sort | klasifikasi jenis ikan laut k nearest neighbor berdasarkan ekstraksi ciri 2 dimensional linear discriminant analysis |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/6787 |
| work_keys_str_mv | AT yusrakadimasaliman klasifikasijenisikanlautknearestneighborberdasarkanekstraksiciri2dimensionallineardiscriminantanalysis AT rrizalisnanto klasifikasijenisikanlautknearestneighborberdasarkanekstraksiciri2dimensionallineardiscriminantanalysis AT okydwinurhayati klasifikasijenisikanlautknearestneighborberdasarkanekstraksiciri2dimensionallineardiscriminantanalysis |