Jurnal Ilmiah Intech : Information Technology Journal of UMUS Vol.
No.
November 2025, pp.
PENCAPAIAN KLASIFIKASI TERBAIK BERBASIS PERBAIKAN
CITRA CLAHE DAN DARK CHANNEL PRIOR PADA SPESIES
IKAN
Dewi Pergiwati1.
Ricardus Anggi Pramunendar2.
Dwi Puji Prabowo3.
Farrikh Alzami4.
Rama Aria Megantara5, pergiwati@dsn.
id , 2 ricardus.
anggi@dsn.
prabowo@dsn.
id , 4 alzami@dsn.
id 5aria@dsn.
Departemen Desain Komunikasi Visual.
Sistem Informasi.
Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Dian Nuswantoro Jl.
Iman Bonjol 207.
Semarang Abstrak Ikan merupakan bahan pangan lauk-pauk utama yang dikonsumsi manusia untuk menunjang protein hewani dan zat-zat lain yang diperlukan tubuh.
Ikan merupakan lauk-pauk pilihan utama yang memiliki harga relative murah dan mudah didapat.
Namun pada nyatanya konsumsi ikan di Indonesia sangat rendah dibandingkan dengan negara-negara yang memiliki potensi sumberdaya perikanan yang jauh lebih rendah seperti negara Jepang.
Korea Selatan, serta negara-negara di Asia lainnya.
Di sisi lain, salah satu kekayaan Indonesia yang sangat berlimpah pada sector perairan adalah biota ikan.
Dengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan Selain meningkatkan tingkat kesehatan serta kecerdasan, juga semakin menggairahkan sektor perikanan untuk dapat mendorong peningkatan penyerapan tenaga kerja, meningkatkan pendapatan serta kesejahteraan pada masyarakat khususnya profesi nelayan, pembudidaya ikan, pengolah hasil ikan serta pihak terkait lainnya.
Maka, perlu ditingkatkan kemampuan pengenalan ikan secara otomatis dengan bantuan computer untuk mengenali jenis-jenis ikan yang sangat beragam guna mempermudah proses pengelolaan dan distribusi ikan.
Oleh karena itu dalam penelitian ini, peneliti ini mengusulkan untuk melakukan analisis dampak pre-processing dari kombinasi algoritma CLAHE dan DCP yang diterapkan dalam klasifikasi ikan dengan Random Forest.
Kata kunci : CLAHE.
Dark Channel Prior.
Klasifikasi.
Random Forest Latar Belakang Ikan merupakan bahan konsumsi lauk-pauk utama dalam kehidupan sehari-hari di Indonesia.
Menurut Peraturan Presiden No 71 Tahun 2015, ikan ditetapkan sebagai komoditas kebutuhan pokok.
Dibandingkan dengan bahan pangan yang memiliki sumber protein hewani, ikan bisa menjadi pilihan utama yang relative murah.
Disamping memiliki protein hewani yang cukup tinggi, ikan juga memiliki kandungang omega-3, asam lemak tak jenuh, dan berbagai macam vitamin yang diperlukan oleh tubuh.
Namun pada nyatanya konsumsi ikan di Indonesia sangat rendah dibandingkan dengan negara-negara yang memiliki potensi sumberdaya perikanan yang jauh lebih rendah seperti negara Jepang.
Korea Selatan, serta negara-negara di Asia lainnya.
Beberapa faktor yang menjadi sebab rendahnya konsumsi ikan diantaranya adalah masyarakat kurang memahami pentingnya mengkonsumsi ikan, distribusi ikan yang tidak merata antar daerah, kurangnya sarana dan prasarana yang pada masyarakat.
Pada sisi lain.
Indonesia merupakan negara yang memiliki luas wilayah perairan lebih besar dibandingkan dengan wilayah daratan.
Luas wilayah laut Indonesia mencapai 49 juta kilo meter persegi.
Indonesia juga dikenal sebagai negara yang memiliki populasi ikan terbesar di dunia dengan memiliki sekitar 5.
000 spesies ikan laut, payau Informasi Artikel:
Submitted: Oktober 2025.
Accepted: November 2025.
Published: November 2025 ISSN: 2685-4902 .
edia onlin.
Website: http://jurnal.
id/index.
php/intech ISSN: 2685-4902 .
dan air tawar yang mencakup hampir 15 persen dari 33.
100 spesies ikan yang dikenal diseluruh dunia .
Dengan kondisi demikian, upaya peningkatan konsumsi ikan akan memberikan multiflier effect dalam lingkungan masyarakat.
Selain meningkatkan tingkat kesehatan serta kecerdasan, juga semakin menggairahkan sektor perikanan untuk dapat mendorong peningkatan penyerapan tenaga kerja, meningkatkan pendapatan serta kesejahteraan pada masyarakat khususnya profesi nelayan, pembudidaya ikan, pengolah hasil ikan serta pihak terkait lainnya.
Beberapa penelitian sebelumnya mengusulkan cara-cara otomatis untuk melakukan pengenalan jenis biota ikan.
Berbagai cara yang telah dilakukan masih memberikan hasil kinerja yang kurang maksimal jika diterapkan untuk mengelompokkan atau mengklasifikasi berbagai jenis biota ikan.
Kemampuan mengenali biota ikan secara otomatis dengan bantuan komputer tidak mengandalkan keahlian atau pengalaman dari seorang ahli manusia adalah penyelesaian untuk permasalahan yang terjadi saat melakukan kegiatan yang banyak atau dilakukan secara berulang.
Selain itu, otomatisasi dalam memahami jenis biota ikan bermanfaat jika diterapkan pada data citra yang tidak terbatas jumlahnya dan beraneka ragam jenisnya.
Banyak peneliti telah berupaya untuk meningkatkan pendapatan serta kesejahteraan pada masyarakat khususnya profesi nelayan, pembudidaya ikan, pengolah hasil ikan dengan cara menunjang sarana dan prasarana untuk pengklasifikasian jenis ikan, termasuk menerapkan teknologi computer vision dalam berbagai kegiatan klasifikasi atau pengelompokan jenis ikan.
Computer vision merupakan sistem yang mempunyai kemampuan dalam menganalisa objek secara visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat keputusan dengan data objek yang ada dimasukkan dalam bentuk citra .
Computer vision mencoba meniru cara kerja sistem visual manusia .
uman visio.
yang sesungguhnya sangat kompleks, manusia melihat objek dengan indera penglihatan .
, lalu citra objek diteruskan ke otak untuk diinterprestasi sehingga manusia mengerti objek apa yang tampak dalam pandangan mata.
Hasil dari interprestasi tersebut digunakan untuk pengambilan keputusan sebagai hasil klasifikasi.
Beberapa penelitian sebelumnya mengusulkan cara-cara otomatis untuk melakukan pengenalan jenis biota ikan, namun sangat jarang dalam penelitian yang mereka kerjakan memperhatikan dan mempertimbangkan efek yang ditimbulkan dari lingkungan bawah air dan efek lain dari fitur-fitur ikan yang dapat mempengaruhi gambar ikan yang diteliti.
Dengan adanya kemajuan teknologi dalam hal pengolahan citra digital, kami menggunakan model machine learning untuk mengklasifikasikan jenis biota ikan.
Biota ikan yang terdeteksi akan dilakukan pengolahan citra melalui preprocessing citra, ekstraksi citra, seleksi citra hingga pelatihan model algoritma agar pengklasifikasian sesuai dengan label yang benar.
Secara eksternal ada beberapa spesies ikan yang terlihat sangat mirip sedangkan perbedaannya ada berdasarkan pada karakteristik internal.
Hal ini membuat sulit untuk menyimpan catatan konstan dari seluruh dataset yang ada.
Oleh karena itu, penelitian ini mengusulkan sebuah fitur baru dalam metode pengenalan biota ikan dengan memperhatikan efek dari citra bawah laut, dan efek yang diperoleh dari Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
ekstraksi fitur citra tingkat rendah sehingga diharapkan fitur baru tersebut mampu memberikan kinerja klasifikasi yang lebih baik.
Klasifikasi adalah proses akhir untuk mengetahui hasil kinerja dari implementasi algoritma-algoritma yang diterapkan pada pre-processing dan ekstraksi fitur pada image.
Dalam penelitiannya.
Breiman menunjukan kelabihan Radom Forest yang daapat memberikan nili error yang lebih rendah, memberikan hasil klasifikasi yang bagus dan dapat mengatasi data training dalam jumlah yang sangat besar secara efisien serta merupakan metode yang efektif untuk mengestimasi missing data.
Fransiska,dkk mengmplementasikan gabungan metode RF dan CART mampu mengklasifikasikan kelas minor pada dataset KDD Cup 1999 dengan sedikit modifikasi teknik Balanced Random Forest (BRF) dengan cara menyeimbangkan jumlah kelas mayor dan kelas minor.
Akurasi yang dicapai oleh model belum mencapai nilai maksimal, karena keterbatasan jumlah record pada data training setelah diimplementasikan BRF yang tidak dapat menggambarkan karakteristik kelaskelas yang ada.
Sebelum proses klasifikasi dilakukan ada tahap ekstraksi fitur yang dikerjakan oleh metode gray level co-occurrence matrix (GLCM) yang mana bekerja dengan baik untuk tugas klasifikasi tekstur dalam penelitian.
, namun kinerja klasifikasi dari fitur tersebut tidak akan baik jika digunakan untuk tugas yang lainnya.
Boom dkk .
menggunakan metode klasifikasi Balance Guaranteed Optimized Tree (BGOT) dan fitur invarian.
Gray Level Co-Occurrence Matrix (GLCM) serta warna untuk mengenali 6.
citra dari 15 spesies dan menghasilkan kinerja klasifikasi sebesar 97,21 persen.
Pada tahap klasifikasi biasanya di anggap tahap akhir untuk melihat hasil penelitian yang telah dilakukan oleh peneliti.
Beberapa uraian algoritma klasifikasi dari peneliti-peneliti sebelumnya yakni Metode neural network (NN) berbasis adaboost digunakan dalam proses klasifikasi dengan tingkat keberhasilan mencapai 98,9 persen.
Hasil penelitian .
tersebut melaporkan bahwa Feature Contruction (FC) berbasis teknik Evolutionary Algortm (EA) menghasilkan fitur baru yang lebih informatif dari fitur aslinya dan menghasilkan kinerja klasifikasi diatas 80 persen.
Berdasarkan latar belakang dari penelitian-penelitian terdahulu dalam paparkan diatas, maka peneliti akan melakukan Analisa pada metode CLAHE (Contrast-Limited Adaptive Histogram Equalizatio.
dan Dark Channel Prior untuk meningkatkan akurasi klasifikasi sepesies ikan dengan metode klasifikasi Random Forest.
Dalam penelitian ini, algoritma CLAHE dan Dark Channel Prior bertugas sebagai Per-processing data.
Proses selanjutnya setelah dilakukn Pre processing dengan algoritma CLAHE dan Dark Channel Prior yakni ekstraksi fitur dengan menggunakan algoritma GLCM (Gray Level Co-Occurrence Matri.
, dimana dari satu gambar ikan akan di ektraksi dalam bentuk Red.
Green.
Blue dan Gray yaitu dari satu gmbar ikan diekstraksi menjadi 80 fitur.
Kemudian untuk tugas klasifikasi dalam penelitian ini peneliti menggunakan metode klasifikasi Random Forest.
ISSN: 2685-4902 .
Metode dan Pembahasan Pre- Processing Pada pengolahan data dalam penelitian ini dilakukan dengan cara peningkatan citra atau image enhancement.
Pemrosesan data citra pada penelitian ini dibagi menjadi 2 bagian yaitu untuk melakukan perbaikan kualitas citra modifikasi metode dark channel prior dengan metode CLAHE pemerataan histogram pada masing-masing nilai piksel citra agar dapat bermanfaat dalam pemprosesan fitur.
Setiap hasil dari proses pengolahan data citra dilakukan evaluasi agar sesuai dengan hasil yang telah dicapai.
Tabel 4.
5 Pre-Processing image menggunakan CLAHE Tabel 4.
6 Pre-Processing image menggunakan CLAHE dengan clip limid berdasarkan Threshold FCM Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
Ekstraksi Fitur Citra Pada tahap ini akan dijelaskan langkah langkah ekstraksi fitur pada citra yang akan dilakukan sebelum memulai proses selanjutnya.
Ekstraksi fitur citra merupakan proses mengurangi dimensi tinggi ke vektor dimensi rendah atau proses mengurangi dimensi dengan menggunakan parameter fitur yang ada untuk membentuk ruang fungsi berdimensi lebih rendah, memetakan informasi berguna yang terdapat pada fitur asli ke sejumlah kecil fitur, dengan mengabaikan informasi yang berlebihan dan tidak relevan.
Pada penelitian ini menggunakan metode gray level co-occurrence matrix (GLCM).
Sehingga hasil citra terbaik dari proses sebelumnya dapat menjadi fitur sesuai dengan Data hasil pre-procesing dilakukan ekstraksi fitur menggunakan teknik GLCM.
Menggunakan level 8 bit karena citra yang berukuran relatif kecil sesuai acuan.
, sudut 0A,45A,90A,135A dan jarak D = 1 digunakan pada penelitian ini sesuai acuan.
, .
Berdasarkan Mohanaiah dkk .
, tahapan ekstraksi ini menghasilkan 5 fitur untuk setiap sudut yang digunakan dari GLCM.
Beberapa fitur tersebut terdiri dari ASM, contrast, correlation.
IDM / homogeneity, entropy.
Metode GLCM berbasis tingkat keabuan dengan ukuran 8 bit, maka citra berwarna atau RGB diubah menjadi 1 lapisan keabuan atau memisahkan lapisan R.
G dan B.
Oleh karena itu, inputan 1 buah citra berwarna pada penelitian ini menghasilkan fitur sebanyak 80 fitur berbeda.
Berikut penjelasan lebih lanjut pada proses preprocessing :
Angular second moment (ASM) ISSN: 2685-4902 .
Pada angular second moment (ASM) bernilai tinggi jika nilai piksel pada citra yang homogen tinggi dan digunakan sebagai ciri dari hasil kookurensi.
Tahapan ekstraksi citra, terdapat 4 arah komputasi dalam GLCM, yaitu = 0A, = 45A, = 90A, = 135A.
akan digambarkan pada gambar 3.
1 dibawah ini.
Gambar 3.
3 Contoh Hasil Matrik Kookurensi dengan Sudut 0 o Kontras Kontras merupakan perbedaan intensitas antara piksel satu dan piksel yang berdekatan, dan bernilai nol jika citra bernilai konstan dan digunakan sebagai ciri dari hasil Berikut merupakan contoh perhitungan nilai matrik kontras dari piksel A terhadap piksel B Gambar 3.
4 Contoh Hasil Perhitungan Matrik Kontras Korelasi Korelasi merupakan ketergantungan linier antara piksel pada posisi tertentu terhadap piksel lain yang digunakan sebagai ciri dari hasil kookurensi dan nilai yang lebih tinggi diperoleh pada daerah dengan tingkat keabuan yang sama.
IDM/ Homogeneity IDM / homogenity digunakan untuk mengukur homogenitas lokal pada citra, jika semakin tinggi nilai IDM, citra semakin homogen dan digunakan sebagai ciri dari hasil Entropy Entropi semakin tidak seragam piksel-pikselnya maka entropinya semakin kecil, semakin besar nilai entropinya maka citra tersebut semakin seragam dan digunakan sebagai ciri dari hasil kookurensi.
Klasifikasi Pengelompokan citra bawah air merupakan proses memisahkan citra berdasarkan cirinya, dan pemisahan tersebut dilakukan berdasarkan jarak antara ciri.
Tahap-tahap untuk melakukan pengelompokan citra bawah air berbasis algoritma Random Forest, ada 3 aspek penting yang harus diperhatikan yakni:
melakukan bootstrap sampling untuk membangun pohon prediksi, masing-masing pohon berlaku sebagai predictor secara acak untuk menentukan pohon kemudian algoritma Random Forest melakukan prediksi dengan mengkombinasi hasil dari setiap pohon keputusan dengan cara mengambil pilihan mayoritas untuk Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
klasifikasi atau untuk rata-rata regresi.
Penelitian klasifikasi Random Forest kami membuat pohon keputusan dan melatih .
pada data.
Pengujian dan Validasi Klasifikasi Pengujian pada tahap ini bertujuan untuk mengetahui tingkat akurasi, presisi, dan recall dari metode yang dibangun dalam pengenalan jenis biota ikan.
Validasi hasil pengujian dilakukan berdasarkan tahapan proses pengenalan jenis ikan.
Pada tahapan pengolahan data citra validasi dilakukan melalui hasil yang diperoleh dari Kesesuaian hasil pengujian yang diberikan metode mean square error (MSE), peak signal to noise ratio (PSNR), dari data yang telah mengalami proses perbaikan secara konsisten diartikan bahwa metode perbaikan citra tersebut sesuai dan layak.
Pada tahapan pengolahan fitur, pengujian normalitas dilakukan untuk melihat distribusi data sebelum dilakukan proses klasifikasi, dan hasil dari proses klasifikasidiperlihatkan dalam hasil akurasi, presisi dan recall.
Hasil Eksperimen Uji eksperimen ini akan menggunakan 23 spesies ikan yang kami dapat dari dataset fish4knowledge dipilih karena seluruh data diambil dari bawah air yang dipengaruhi oleh lingkungan bawah air, dan jumlah data yang dimiliki pada dataset ini sangatlah beragam sehingga memberikan.
Tabel 4.
4 Jenis-jenis ikan untuk ekspertimen Dascyllus Plectroglyphidodon Chromis Amphiprion Chaetodon Chaetodon Myripristis Acanthurus Hemigymnus Neoniphon samara Abudefduf Canthigaster Pomacentrus Zebrasoma scopas Hemigymnus Lutjanus fulvus Scolopsis bilineata Scaridae Pempheris Zanclus cornutus ISSN: 2685-4902 .
Neoglyphidodon Balistapus undulates Siganus Tabel 4.
11 Hasil Rata-Rata Akurasi.
Recall, dan Presisi DCP-CLAHE
DCP
CLAHE
DCP-CLAHE
ACC (Akuras.
PPV (Presis.
TPR (Recal.
Hasil klasifikasi dari Random Forest dengan teknik peningkatan citra dengan metode DCP memberikan hasil rata-rata akurasi sebesar 98.
CLAHE
memberikan nilai rata-rata 98.
54%, sedangkan DCP-CLAHE meberikan nilai akurasi rata-rata sebesar 98.
DCP-CLAHE mendapatkan nilai rata-rata recall terendah yakni 36.
71% dibandingkan dengan peningkatan citra yang hanya DCP dan CLAHE saja .
Tabel 4.
8 Hasil Eksperimen Perhitungan Presisi dari DCP.
CLAHE.
DCP-CLAHE Kelp.
Ikan
DCP
CLAHE
DCP-CLAHE
Jurnal Ilmiah Intech : Information Technology Journal of UMUS ISSN: 2685-4902 .
None None None None None None None Ada beberapa spesies yang tidak diketahui nilai presisinya karena presisi adalah ukuran kedekatan antar kumpulan data atau spesies ikan yang sama.
Sehingga kekosongan presisi ini bisa terjadi saat data set yang digunakan untuk melakukan training dan testing berjumlah sedikit.
Adapun capaian nilai presisi terbaik yakni dengan angka 1 dapat diartikan pada data set spesies ikan tertentu memiliki ciri dan karakteristik yang sangat mirip.
Dalam tabel ditunjukan hasil AunoneAy yang artinya data kosong.
Dalam penelitian ini penggunaan penggabungan algoritma DCP-CLAHE memeberikan nilai yang lebih rendah dibandingkan dengan kedua algoritma yang berkerja sendiri-sendiri karena pada proses restorasi citra ada bagian-bagian citra yang terproses oleh algoritma sehingga citra memberikan bentuk yang sedikit berubah dan berbeda dari dari citra asli.
Jadi, dalam sebuah penelitian tidak selamanya yang menggunakan banyak algoritm dan metode memberikan hasil yang lebih baik.
ISSN: 2685-4902 .
Daftar Pustaka