IDENTIFIKASI SPESIES IKAN BERDASARKAN KONTUR OTOLITH MENGGUNAKAN METODE OTSU DAN BACK PROPAGATION NEURAL NETWORK

heri susanto, Jamal Jamal

Sari


Otolith merupakan organ yang sangat penting, karena melalui otolith dapat diketahui jenis ikan, pertumbuhan, lingkungan, serta sejarah kehidupannya, misalnya, umur, reproduksi, dan migrasi. Dengan semakin canggihnya komputer dan pengolahan di bidang citra, diharapkan kemampuan mengidenifikasi jenis ikan yang dimiliki oleh manusia bisa diadopsi dan diterapkan pada perangkat komputer. Threshold adalah sebuah teknik penting dalam aplikasi segmentasi citra. Hal mendasar dari threshold adalah menentukan nilai batas optimal dari citra keabuan, untuk memisahkan antara obyek dengan latar belakang. Metode Backpropagation Neural Network, merupakan metode klasifikasi yang handal untuk perhitungan yang rumit dengan waktu komputasi lebih sedikit, dan mampu memberikan nilai akurasi yang tinggi. Untuk keperluan segmentasi citra menggunakan metode Otsu karena metode ini merupakan metode paling berhasil untuk image thresholding. Proses klasifikasi untuk pengenalan spesies ikan berdasar otolith menggunakan metode Backpropagation Neural Network. Hasil eksperimen diperoleh akurasi sebesar 95% lebih tinggi dibanding metode Discriminant Analysis yang memiliki akurasi sebesar 92%.

Kata Kunci


Otolith; Otsu; Backpropation Neural Network

Teks Lengkap:

PDF

Referensi


Abdul Kadir, A. S. (2013). Pengolahan Citra, Teori dan Aplikasi. Andi Yogyakarta.

Campana, S. (1999). Chemistry and composition of fish otoliths:pathways, mechanisms and applications. Marine Ecology Progress Series, 188, 263–297. https://doi.org/10.3354/meps188263

Eko, P. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Offset Yogyakarta.

Eko Prasetyo. (2015). Data Mining, Konsep dan Aplikasi.

Fitch, J. E., & Brownell, R. L. (1968). Fish Otoliths of Cetacean Stomachs and Their Feeding Habits Interpreting, 25(12), 2561–2574.

Kalish, J. M. (1991). Oxygen and carbon stable isotopes in the otoliths of wild and laboratory-reared Australian salmon (Arripis trutta). Marine Biology, 110(1), 37–47. https://doi.org/10.1007/BF01313090

Miloslavich, P. (2012). Census of Marine Life, 56, 155–158.

Panfili, J., de Pontual, H., Troadec, H., & Wright, P. J. (2002). Manual of Fish Sclerochronology. Ifremer-IRD, 464. https://doi.org/10.1643/OT-03-266

Parisi-Baradad, V., & Manjabacas, A. (2010). Automated Taxon Identification of Teleost fishes using an otolith online database-AFORO. Fisheries Research, 105(1), 13–20. https://doi.org/10.1016/j.fishres.2010.02.005

Reichenbacher, B. (2007). Combined Otolith Morphology and Morphometry for Assessing Taxonomy and Diversity in Fossil and Extant Killifish. Journal of Morphology, 268(February), 254–274. https://doi.org/10.1002/jmor

Salimi, N., Loh, K. H., Dhillon, S. K., & Chong, V. C. (2016). Fully-automated identification of fish species based on otolith contour : using short-time Fourier transform and discriminant analysis ( STFT-DA ), 1–15. https://doi.org/10.7717/peerj.1664

Smith, P., Reid, D. B., Environment, C., Palo, L., Alto, P., & Smith, P. L. (1979). Otsu1975, 20(1), 62–66.

Soria, A., & Baradad, P. (2012). On the Automatic Detection of Otolith Features for Fish Species Identication and their Age Estimation, (October).




DOI: https://doi.org/10.30736/jti.v5i2.486