Klasifikasi-PNN pada Citra Ikan Air Tawar dengan Sobel Edge Detection

Puspa Eosina, Gibtha Fitri Laxmi, Fety Fatimah

Sari


Abstrak

Metode Sobel adalah salah satu teknik dalam edge detection (deteksi tepi) untuk mengekstraksi tepi dari citra ikan air tawar. Deteksi tepi adalah proses identifikasi keberadaan dan letak tepinya dengan diskontinuitas gambar yang tajam. Menggunakan data citra ikan sebanyak 200 gambar dari 10 jenis ikan air tawar, dilakukan pencarian model klasifikasi PNN sebagai model untuk identifikasi data ekstraksi citra ikan air tawar menggunakan metode Sobel.Ciri atau karakteristik yang digunakan dalam mengekstrak data ikan dalam penelitian ini adalah ciri bentuk, yang dapat dikenali melalui titik-titik yang membentuk tepi-tepi objek ikan. Kinerja algoritma Sobel dapat dinilai dari hasil tampilan data vektor yang menjadi ciri bentuk ikan, dimana estimasi nilai-nilai pixel dilakukan menggunakan operator konvolusi Sobel (convolution masks). Telah ditunjukkan bahwa algoritma ini bekerja dengan baik. Data hasil ekstraksi ini, untuk selanjutnya digunakan dalam mencari model klasifikasi PNN (Probabilistic Neural Network) untuk identifikasi ikan air tawar. Hasil perhitungan nilai akurasi dari model yang terbentuk, yaitu kurang dari 25%, menunjukkan model identifikasi yang diinginkan belum tercapai. Hasil ini dapat digunakan sebagai pembanding untuk membangun model identifikasi menggunakan metode klasifikasi yang lain pada penelitian selanjutnya.

Abstract

The Sobel method is one of the edge detection techniques to extract the edges of freshwater fish images. The Edge detection is the process of identifying the existence and position of the edge with a sharp discontinuity of images. Using 200 images of fish from 10 types of freshwater fish, the Probabilistic Neural Network (PNN) classification was performed on freshwater fish image extraction, to obtain the model of identification. In this study, the Sobel method is used to extract images of the shape characteristics. The performance of the Sobel algorithm can be judged by the results of the vector data display which characterizes the shape of the fish, where the estimation of pixel values is performed using the convolution masks operator. It has been shown that this algorithm works well. The accuracy result of the obtain model, ie less than 25%, indicates the desired model of identification has not been achieved. This result can be used as a benchmark to construct an identification model using other classification methods in subsequent research.


Kata Kunci


convolution masks; deteksi tepi; probabilistic neural network; sobel

Teks Lengkap:

PDF

Referensi


Kementrian Kelautan dan Perikanan; 2015; Juknis Pemetaan Sebaran Jenis Agen Hayati yang Dilindungi, Dilarang dan Invasif di Indonesia; Keputusan Kepala Badan Karantina Ikan Pengendalian Mutu dan Keamanan Hasil Perikanan nomor 67/KEP-BKIPM/2015

Santoso L; 2009; Biologi Reproduksi Ikan Belida (Chitala lopis) di Sungai Tulang Bawang, Lampung; Berkala Perikanan Terubuk, Vol. 37. No.1.

Laxmi G F, Eosina P, Fatimah F. Analisis Perbandingan Metode Prewitt dan Canny untuk Identifikasi Ikan Air Tawar. Proceeding SINTAK. 2017; ISBN: 978-602-8557-20-7

Fatimah F, Laxmi G F, Eosina P. Pengubahan Data Image Ikan Air Tawar ke Data Vektor menggunakan Edge Detection Metode Canny. Prosiding Seminar Matematika dan Pendidikan Matematika UNY. 2017

Eosina P, Laxmi G F, Fatimah F. The Sobel Edge Detection Techniques for Freshwater Fish Image Analysis. The 4th International Seminar on Sciences. IPB. 2017.

Vairalkar M K, Nimbhorkar S U; 2012; Edge Detection of Images Using Sobel Operator; IJETAE, Volume 2, Issue 1, January 2012. Website: www.ijetae.com (ISSN 2250-2459)

Anusha G, Prasad T JT, Narayana D S; 2012;. Implementation of SOBEL Edge Detection on FPGA; IJCTT, Vol. 3. Issue3- 2012. ISSN: 2231-2803 http://www.internationaljournalssrg.org

Yunus M; 2008; Perbandingan metode-metode edge detection untuk proses segmentasi citra digital; Jurnal Teknologi Informasi, Vol. 3, No. 2, 2008. Program Studi Teknik Informatika, STMIK PPKIA Pradnya Paramita Malang.

Mohammad E J, Mohammed A J, Mohammad Z J, Abdullah G H, Kadhim I M, Wdaa Y AA M; Design Study Sobel Edge Detection; IJAIEM, Vol. 2 Issue 12, December 2013. ISSN 2319 4847. www.ijaiem.org

Senthilkumaran N, Rajesh R; 2009; Edge Detection Techniques for Image Segmentation A Survey of Soft Computing Approaches; IJRTE, Vol. 1, No. 2, May 2009. Academy Publisher.

Acharjya P P, Das R, Ghoshal D; 2012; Study and Comparison of Different Edge Detectors for Image Segmentation; GJCSTGV; Vol. 12 Issue 13. Global Journals Inc. (USA). Online ISSN: 0975-4172 & Print ISSN: 0975-4350.

Shrivakshan G T , Chandrasekar C; 2012; A Comparison of various Edge Detection Techniques used in Image Processing; IJCSI, Vol. 9, Issue 5, No 1, September 2012. ISSN (Online): 1694-0814. www.IJCSI.org.

Gupta S, Mazumdar S G; 2013; Sobel Edge Detection Algorithm; IJCSMR, Vol 2 Issue 2 February 2013. ISSN 2278-733X.

Muthukrishnan R, Radha M; 2011; Edge Detection Technique for Image Segmentation; IJCSIT; Vol. 3, No 6, Dec 2011. DOI : 10.5121/ijcsit.2011.3620.

Wu S G, et. Al; 2007; A Leaf Recognition Algorithm for Plant Using Probabilistic Neural Network. China : Chinese Academy Science.

Suhartanto H, Herry; 2012; Algoritma Parallel Supervised PNN Structure Determination dan Implementasi Berbasis Message Passing Interfave; Jurnal Ilmu Komputer dan Informasi; Vol. 2, No 1:10-16. DOI 10.21609/jiki.v2i1.121

Kurniawardhani A, Suciati N, Arieshanti I; 2014; Klasifikasi Citra Batik Menggunakan Metode Ekstraksi Ciri yang Invariant Terhadap Rotasi; JUTI; Vol. 12, No 2:48-60. DOI 10.12962/j24068535.v12i2.a322

Yang Z, Jiang W, Xu B, Zhu Q, Jiang S, Huang W; 2017; A Convolutional Neural Network-Based 3D Semantic Labeling Method for ALS Point Clouds; Remote Sensing; Vol. 9, No 9:936 DOI 10.3390/rs9090936




DOI: http://dx.doi.org/10.32832/kreatif.v6i2.2178

Article Metrics

Sari view : 119 times
PDF - 83 times

Refbacks

  • Saat ini tidak ada refbacks.


View My Stats