Perbandingan Performa Klasifikasi Citra Ikan Menggunakan Metode K-Nearest Neighbor (K-NN) Dan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.33379/jusifor.v2i2.3728Keywords:
klasifikasi, k-nearest neighbor, convolutional neural networkAbstract
Perairan daratan Indonesia memiliki keanekaragaman jenis ikan, mencakup variasi ikan air tawar, payau, dan laut. Meskipun Indonesia memiliki lebih dari 2.000 spesies ikan, hanya sekitar 25% yang dapat dibudidayakan. Beberapa jenis ikan seperti lele, mujair, bandeng, patin, dan gurami menjadi pilihan utama dalam budidaya ikan konsumsi. Dalam konteks ini, penelitian menggunakan teknologi citra digital untuk membandingkan dua metode klasifikasi, yaitu k-NN dan CNN, dengan fokus pada citra ikan. Metode k-NN dan CNN diuji dengan menggunakan dua skenario pembagian dataset, yaitu 80:20 dan 90:10. Hasil eksperimen menunjukkan bahwa CNN menghasilkan akurasi yang lebih tinggi dibandingkan k-NN pada kedua skenario. Akurasi CNN mencapai 88% pada rasio data 80:20 dan 80% pada rasio 90:10, sedangkan k-NN mencapai 66% dan 72% pada skenario yang sama. Meskipun performa metode dapat dipengaruhi oleh berbagai faktor, hasil penelitian ini memberikan indikasi bahwa CNN lebih efektif dalam mengklasifikasikan citra ikan. Keunggulan ini dapat memberikan kontribusi penting dalam pemilihan metode klasifikasi untuk pengolahan citra ikan.
References
S. Fauzi, P. Eosina, and G. F. Laxmi, “Implementasi Convolutional Neural Network Untuk Identifikasi Ikan Air Tawar,” 2019.
F. Y. Manik and K. S. Saragih, “Klasifikasi Belimbing Menggunakan Naïve Bayes Berdasarkan Fitur Warna RGB,” IJCCS Indones. J. Comput. Cybern. Syst., vol. 11, no. 1, p. 99, Jan. 2017, doi: 10.22146/ijccs.17838.
D. Gunawan, “Metode Klasifikasi pada Data Preprocessing Data,” no. 1, 2016.
A. Pariyandani, D. A. Larasati, and E. P. Wanti, “Klasifikasi Citra Ikan Berformalin Menggunakan Metode k-NN dan GLCM,” vol. 2, 2019.
A. Amalia, M. S. Lydia, S. D. Fadilla, and M. Huda, “Perbandingan Metode Klaster dan Preprocessing Untuk Dokumen Berbahasa Indonesia,” J. Rekayasa Elektr., vol. 14, no. 1, pp. 35–42, Apr. 2018, doi: 10.17529/jre.v14i1.9027.
G. F. Laxmi, P. Eosina, and F. Fatimah, “Analisis Perbandingan Metode Prewitt Dan Canny Untuk Identifikasi Ikan Air Tawar,” 2017.
I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (CNN),” J. Gaussian, vol. 9, no. 3, pp. 273–282, Aug. 2020, doi: 10.14710/j.gauss.v9i3.27416.
I. E. Hasym and I. Susilawati, “Klasifikasi Jenis Ikan Cupang Menggunakan Algoritma Principal Component Analysis (PCA) Dan K-Nearest Neighbors (KNN),” KONSTELASI Konvergensi Teknol. Dan Sist. Inf., vol. 1, no. 1, pp. 168–179, Apr. 2021, doi: 10.24002/konstelasi.v1i1.4242.
R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi Dan Penelit. Inform. JEPIN, vol. 5, no. 2, p. 157, Aug. 2019, doi: 10.26418/jp.v5i2.32473.
B. Rahmat and B. Nugroho, Pemograman Deep Learning Dengan Python. Sidoarjo: Indomedia Pustaka, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 JUSIFOR (Jurnal Sistem Informasi dan Informatika)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
