Perancangan Sistem Pengolahan Citra Digital Klasifikasi Jenis Ikan Laut Menggunakan Model Logisitic Regression
DOI:
https://doi.org/10.51179/ilka.v3i1.37Kata Kunci:
Pengolahan Citra, Klasifikasi, Ikan laut, Logistic Regression, Histogram Warna HSV, Local Binary Pattern, FlaskAbstrak
Penelitian ini membangun sebuah sistem klasifikasi jenis ikan laut berbasis pengolahan citra digital dengan memanfaatkan algoritma Logistic Regression yang diimplementasikan dalam bentuk aplikasi web. Sistem dikembangkan untuk mengidentifikasi empat jenis ikan laut, yaitu bandeng, tongkol, selar, dan kerisi, dengan mengombinasikan informasi fitur warna dan tekstur. Representasi warna diperoleh melalui histogram warna pada ruang warna HSV, sedangkan informasi tekstur diekstraksi menggunakan metode Local Binary Pattern (LBP). Dataset yang digunakan berjumlah 4.000 citra ikan, yang terdiri atas 3.200 citra sebagai data latih dan 800 citra sebagai data uji. Hasil pengujian menunjukkan bahwa sistem mampu mencapai akurasi sebesar 89%,dengan nilai precision, recall, dan f1-score yang lebih dari 0,85 pada sebagian besar kelas ikan. Aplikasi yang dibangun mendukung proses unggah citra, ekstraksi fitur, serta klasifikasi secara otomatis melalui antarmuka web berbasis Flask, termasuk kemampuan mengenali citra yang berada di luar kelas pelatihan. Meskipun menunjukkan performa yang cukup baik, sistem masih memiliki keterbatasan pada jumlah data dan kemiripan visual antar jenis ikan. Oleh karena itu, penelitian selanjutnya dapat diarahkan pada penambahan variasi dataserta pengujian pada kondisi nyata meningkatkan generalisasi sistem
Unduhan
Referensi
[1] A. Pengolahan…, N. Zaid Munantri, H. Sofyan, and M. Yanu, “APLIKASI PENGOLAHAN CITRA DIGITAL UNTUK IDENTIFIKASI UMUR POHON,” 2019.
[2] A. T. Fahira, L. A. Khusna, N. Kamilah, S. A. Rananda, and P. Rosyani, “Implementasi Peningkatan Citra Melalui Smoothing Mean Dengan Menggunakan OpenCV Dan Python.” [Online]. Available: https://journal.mediapublikasi.id/index.php/logic
[3] C. Chazar and M. H. Rafsanjani, “LPPM STMIK ROSMA / Prosiding Seminar Nasional : Inovasi & Adopsi Teknologi Penerapan Teachable Machine Pada Klasifikasi Machine Learning Untuk Identifikasi Bibit Tanaman”.
[4] A. Y. Nadhiroh, “Sistem Klasifikasi Jenis Kain Berdasarkan Tekstur Menggunakan Metode Support Vector Machine Berbasis Web Flask Fabric Type Classification System Based On Texture Using Vector Machine Support Method Based On Web Flask,” Jurnal Ilmiah Informatika dan Komputer, vol. 1, no. 1, pp. 56–60, 2024.
[5] A. Firdaus et al., “Implementasi Optical Character Recognition (OCR) Pada Masa Pandemi Covid-19 *1,” 2021.
[6] A. Azis, “IDENTIFIKASI JENIS IKAN MENGGUNAKAN MODEL HYBRID DEEP LEARNING DAN ALGORITMA KLASIFIKASI,” Sebatik, vol. 24, no. 2, 2020, doi: 10.46984/sebatik.v24i2.1057.
[7] E. Purnami Widyaningsih et al., “Tim Prosiding.”
[8] I. Wulandari, H. Yasin, and T. Widiharih, “KLASIFIKASI CITRA DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN)”, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
[9] P. Eosina, G. F. Laxmi, and F. Fatimah, “Klasifikasi-PNN pada Citra Ikan Air Tawar dengan Sobel Edge Detection,” KREA-TIF, vol. 6, no. 2, 2018, doi: 10.32832/kreatif.v6i2.2178.
[10] N. Rachmat, Y. Yohannes, and A. Mahendra, “Klasifikasi Jenis Ikan Laut Menggunakan Metode SVM dengan Fitur HOG dan HSV,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 8, no. 4, 2021, doi: 10.35957/jatisi.v8i4.1686.
[11] M. Ramadhani, D. Darlis, and H. Murti, “Ramadhani dan Murti-Klasifikasi Ikan Menggunakan Oriented Fast And Rotated Brief (ORB) dan K-Nearest Neighbor (KNN) KLASIFIKASI IKAN MENGGUNAKAN ORIENTED FAST AND ROTATED BRIEF (ORB) DAN K-NEAREST NEIGHBOR (KNN).”
[12] N. Abdurrahman, B. Rahmat, and A. N. Sihananto, “Perbandingan Performa Klasifikasi Citra Ikan Menggunakan Metode K-Nearest Neighbor (K-NN) Dan Convolutional Neural Network (CNN),” Jurnal Sistem Informasi dan Informatika (JUSIFOR), vol. 2, no. 2, 2023, doi: 10.33379/jusifor.v2i2.3728.
[13] Y. D. Al Iman, R. R. Isnanto, and O. D. Nurhayati, “Klasifikasi Jenis Ikan Laut K-Nearest Neighbor Berdasarkan Ekstraksi Ciri 2-Dimensional Linear Discriminant Analysis,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 4, 2023, doi: 10.25126/jtiik.20241046787.
[14] I. Wulandari, H. Yasin, and T. Widiharih, “KLASIFIKASI CITRA DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN),” Jurnal Gaussian, vol. 9, no. 3, 2020, doi: 10.14710/j.gauss.v9i3.27416.
[15] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[16] A. Bimantara and T. A. Dina, “Klasifikasi Web Berbahaya Menggunakan Metode Logistic Regression,” Annual Research Seminar (ARS), vol. 4, no. 1, 2019.
[17] R. Tyasnurita and A. Y. M. Pamungkas, “Deteksi Diabetik Retinopati menggunakan Regresi Logistik,” ILKOM Jurnal Ilmiah, vol. 12, no. 2, 2020, doi: 10.33096/ilkom.v12i2.578.130-135.
[18] S. M. Azizah and N. E. Chandra, “MODEL REGRESI LOGISTIK PADA FAKTOR-FAKTOR YANG MEMPENGARUHI IMUNISASI LENGKAP BALITA,” Jurnal Ilmiah Teknosains, vol. 3, no. 2, 2017.
[19] Q. R. Cahyani, M. J. Finandi, J. Rianti, D. L. Arianti, and A. D. P. Putra, “Prediksi Risiko Penyakit Diabetes Menggunakan Algoritma Regresi Logistik,” JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 2, 2022.
[20] F. D. Pramakrisna, F. D. Adhinata, and N. A. F. Tanjung, “Aplikasi Klasifikasi SMS Berbasis Web Menggunakan Algoritma Logistic Regression,” Teknika, vol. 11, no. 2, 2022, doi: 10.34148/teknika.v11i2.466.
[21] G. Honestya, M. Sajida, and A. Ramadhanu, “Klasifikasi Jenis Daun Herbal Menggunakan Metode Logistic Regression dan Decision Tree Classifier Berdasarkan Fitur (Warna dan Bentuk),” Journal of Information System and Education Development, vol. 2, no. 1, 2024, doi: 10.62386/jised.v2i1.59.
[22] N. Neneng, N. U. Putri, and E. R. Susanto, “Klasifikasi Jenis Kayu Menggunakan Support Vector Machine Berdasarkan Ciri Tekstur Local Binary Pattern,” CYBERNETICS, vol. 4, no. 02, 2021, doi: 10.29406/cbn.v4i02.2324.
[23] Sudirman, “Konferensi Nasional Ilmu Komputer (KONIK) 2021 Machine Learning Deteksi Jatuh Menggunakan Algoritma Human Posture Recognition”.
[24] M. Rasid Ridho and N. Fajrah, “Literatur Review: Penerapan Deep Reinforcement Learning Dalam Business Intelligence.” [Online]. Available: http://journal.aptikomkepri.org/index.php/JDDAT
[25] F. Asadi, M. Rahimi, A. H. Daeechini, and A. Paghe, “The most efficient machine learning algorithms in stroke prediction: A systematic review,” Health Sci. Rep., vol. 7, no. 10, Oct. 2024, doi: 10.1002/hsr2.70062.
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
