PENERAPAN ALGORITMA KNN PADA KESEGARAN IKAN MENGGUNAKAN CITRA DIGITAL
Abstract
Ikan merupakan hasil laut dan sumber pangan penting. Ikan harus diketahui kesegarannya sebelum dimakan manusia. Tingkat kesegaran ikan biasanya ditentukan dengan metode tradisional seperti analisis kimia atau biokimia ikan, analisis kandungan mikroba pada ikan, dan metode pengujian sensorik. Meskipun cara-cara ini dapat dilakukan, namun memerlukan usaha manusia dan menyebabkan kelelahan. Penelitian ini bertujuan untuk mengetahui kesegaran ikan hasil tangkapan dengan menggunakan sistem komputer digital. Kami menggunakan metode K-nearest neighbour dengan menggunakan gambar mata ikan berdasarkan fitur warna RGB.Gambar mata ikan telah dipotong sebelumnya, disegmentasi, nilai RGB diekstraksi, dan diklasifikasikan berdasarkan kelas target. Hasil pengujian menunjukkan nilai akurasi tertinggi menggunakan nilai K=1 (93,33%). Berdasarkan hasil akurasi tersebut, metode ANN dapat menjadi model pengembangan identifikasi kesegaran ikan menggunakan citra digital.
References
Sabarudin Saputra, Anton Yudhana, and Rusydi Umar, “Identifikasi Kesegaran Ikan Menggunakan Algoritma KNN Berbasis Citra Digital,” Krea-TIF J. Tek. Inform., vol. 10, no. 1, pp. 1–9, 2022, doi: 10.32832/kreatif.v10i1.6845.
R. N. Situmorang, “Klasifikasi Kesegaran Ikan Berdasarkan Ekstraksi Fitur Menggunakan Metode K-Nearest Neighbor dan Hue Saturation Value,” Klasifikasi Kesegar. Ikan Berdasarkan Ekstraksi Fitur Menggunakan Metod. K-Nearest Neighbor dan Hue Satur. Value, 2021.
E. Prasetyo, “Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data Fuzzy K-Nearest Neighbor in Every Class,” Semin. Nas. Tek. Inform. (SANTIKA 2012), no. November, pp. 1–5, 2015.
J. Sandra, “Penggunaan Ciri Warna Hsv Pada Bola Mata Ikan Untuk Identifikasi Tingkat Kesegaran Ikan Menggunakan Algoritma KNN,” J. Teknol. Inf., vol. 2, no. 2, pp. 85–89, 2023.
M. Murinto and H. Agus, “Segmentasi Citra Menggunakan Watershed Dan Itensitas Filtering Sebagai Pre Processing,” Semin. Nas. Inform. 2009, vol. 2009, no. semnasIF, pp. 43–47, 2009, [Online]. Available: http://repository.upnyk.ac.id/207/
A. Taheri-Garavand, A. Nasiri, A. Banan, and Y.-D. Zhang, “Title: 1 Smart Deep Learning-Based Approach for Non-Destructive Freshness Diagnosis of 2 Common Carp Fish 3 Running title: 4 Smart Deep Learning-Based Non-Destructive Approach of Fish Freshness Diagnosis,” pp. 1–21, 1917.
An author who publishes in the Jurnal Teknik Elektro (JTE) agrees to the following terms:
Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Submission of a manuscript implies that the submitted work has not been published before (except as part of a thesis, report, or abstract); that it is not under consideration for publication elsewhere; that its publication has been approved by all co-authors. If and when the manuscript is accepted for publication, the author(s) still hold the copyright and retain publishing rights without restrictions. For the new invention, authors are suggested to manage its patent before publication. The license type is CC-BY-SA 4.0.
Jurnal Teknik Elektro (JTE)is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.