Gray Level Co-occurrence Matrix (GLCM) adalah metode ekstraksi ciri tekstur pada citra digital yang menghitung frekuensi kemunculan pasangan nilai intensitas piksel dalam citra pada jarak dan arah tertentu. GLCM merepresentasikan hubungan spasial antara dua piksel dalam citra dan dapat digunakan untuk mengukur ciri tekstur seperti kekasaran, kehalusan, dan kehomogenan pada citra. GLCM dapat digunakan bersama-sama dengan metode ekstraksi ciri lainnya, seperti momen warna HSV, untuk meningkatkan akurasi pengenalan citra. GLCM telah banyak digunakan dalam berbagai aplikasi contohnya seperti identifikasi kesegaran ikan nila.

Ikan merupakan salah satu sumber protein penting dalam gizi manusia. Dalam industri perikanan, menjaga kualitas ikan sangatlah krusial untuk memastikan keamanan dan nilai gizi bagi konsumen. Namun, menilai kesegaran ikan secara manual bisa menjadi tugas yang rumit dan tidak selalu akurat. Oleh karena itu, penggunaan teknologi pengolahan citra dan analisis data telah memberikan kontribusi besar dalam mengatasi masalah ini. Salah satu metode yang digunakan adalah K-Nearest Neighbor (K-NN), yang dikombinasikan dengan ekstraksi fitur tekstur GLCM (Gray Level Co-Occurrence Matrix) dan ciri warna HSV (Hue, Saturation, Value).

Metode K-Nearest Neighbor (K-NN)

Metode K-Nearest Neighbor (K-NN) adalah algoritma klasifikasi yang sederhana namun efektif dalam analisis citra dan data. Prinsipnya adalah dengan mengklasifikasikan suatu data berdasarkan mayoritas kategori dari tetangga terdekatnya. Dalam konteks identifikasi kesegaran ikan nila, K-NN dapat digunakan untuk mengklasifikasikan citra ikan sebagai “Segar” atau “Tidak Segar” berdasarkan fitur-fitur yang diekstraksi.

Ekstraksi Ciri Tekstur GLCM

Ciri tekstur dalam citra adalah salah satu faktor penting dalam mengidentifikasi kesegaran ikan. Untuk menggambarkan tekstur, digunakan metode ekstraksi ciri GLCM (Gray Level Co-Occurrence Matrix). GLCM merepresentasikan hubungan distribusi intensitas piksel pada jarak dan arah tertentu. Beberapa fitur yang diekstraksi dari GLCM meliputi energi (menggambarkan kehalusan tekstur), kontras (perbedaan intensitas antara piksel), homogenitas (menggambarkan keseragaman tekstur), dan korelasi (menggambarkan ketergantungan antara intensitas piksel).

Ekstraksi Ciri Warna HSV

Ciri warna juga menjadi faktor penting dalam identifikasi kesegaran ikan. Ruang warna HSV (Hue-Saturation-Value) digunakan untuk mewakili ciri warna dalam citra. Komponen Hue menggambarkan jenis warna, Saturation mengindikasikan intensitas warna, dan Value menggambarkan kecerahan. Dengan mengambil rata-rata komponen ini dari seluruh citra, kita dapat menggambarkan ciri warna yang membantu membedakan ikan segar dan tidak segar.

Langkah-langkah Proses Identifikasi

1. Pengumpulan Data: Kumpulkan dataset citra ikan nila dengan label kesegaran yang sesuai.
2. Ekstraksi Ciri: Hitung matriks GLCM dari setiap citra untuk mendapatkan fitur tekstur. Selain itu, ekstraksi rata-rata komponen Hue, Saturation, dan Value dari setiap citra untuk mendapatkan ciri warna.
3. Pelabelan Data: Label setiap citra sesuai dengan status kesegarannya.
4. Pelatihan Model: Latih model K-NN menggunakan fitur-fitur yang telah diekstraksi (GLCM dan ciri warna HSV) dari data latih.
5. Pengujian Model: Gunakan data pengujian untuk menguji model K-NN yang telah dilatih. Model akan mengklasifikasikan citra pengujian ke dalam kategori kesegaran.
6. Evaluasi: Evaluasi performa model dengan metrik seperti akurasi untuk mengukur sejauh mana model dapat mengidentifikasi kesegaran ikan.

Pemrograman MATLAB untuk mengidentifikasi kesegaran ikan nila menggunakan metode K-Nearest Neighbor (K-NN) dengan ekstraksi ciri tekstur GLCM (Gray Level Co-Occurrence Matrix) dan ciri warna HSV (Hue, Saturation, Value):

% Langkah 1: Pengumpulan Data
% Mempersiapkan dataset citra ikan nila dengan label kesegaran.

% Langkah 2: Ekstraksi Ciri
% Ekstraksi fitur GLCM dan HSV dari setiap citra

% Langkah 3: Pelabelan Data
% Label setiap citra sebagai "Segar" atau "Tidak Segar"

% Langkah 4: Pelatihan Model
% Menentukan parameter K untuk K-NN
K = 5; % Jumlah tetangga terdekat yang akan dipertimbangkan
dataLatih = [fiturGLCM, fiturHSV]; % Menggabungkan fitur GLCM dan HSV
kelasLatih = label; % Label kesegaran

% Membuat model K-NN
mdl = fitcknn(dataLatih, kelasLatih, 'NumNeighbors', K);

% Langkah 5: Pengujian Model
% Menggunakan data pengujian untuk menguji model
dataPengujian = [fiturGLCM_pengujian, fiturHSV_pengujian]; % Fitur pengujian
kelasPrediksi = predict(mdl, dataPengujian); % Prediksi kelas untuk data pengujian

% Langkah 6: Evaluasi
% Evaluasi performa model
akurasi = sum(strcmp(kelasPrediksi, kelasAktual)) / length(kelasAktual);
disp(['Akurasi Model: ', num2str(akurasi)]);

Dengan menggabungkan metode K-NN dengan ekstraksi ciri tekstur GLCM dan ciri warna HSV, kita dapat mengidentifikasi kesegaran ikan nila secara akurat dan efisien. Penggunaan ciri tekstur dan warna memberikan informasi yang berharga tentang kondisi ikan, yang sangat penting dalam menjaga kualitas produk perikanan. Namun, perlu dicatat bahwa peningkatan lebih lanjut dan penyesuaian mungkin diperlukan untuk mengatasi variasi yang lebih luas dalam citra ikan serta untuk meningkatkan akurasi dan ketahanan model.

Source code beserta data lengkap pada pemrograman matlab di atas dapat diperoleh pada halaman berikut ini: Source Code Eksklusif