skip to main content

Metode k-means clustering dan morfologi berbasis computer vision dan analisis regresi untuk aplikasi sistem grading udang Vaname

1Jurusan Teknik Elektro, Universitas Borneo Tarakan, Jl. Amal Lama No.1 Tarakan, Indonesia 77123, Indonesia

2Program Studi Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan, Tarakan, Indonesia 77123, Indonesia

Received: 22 Jun 2022; Published: 24 Sep 2024.
Open Access Copyright (c) 2024 Sumardi Sumardi, Syahfrizal Tahcfulloh
Creative Commons License This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Citation Format:
Abstract
Penentuan mutu udang secara konvensional menggunakan visual mata memiliki beberapa kelemahan, salah satunya adalah tingkat persepsi manusia yang berbeda-beda. Solusi yang ditawarkan adalah menggunakan teknologi computer vision dalam menentukan ukuran udang berdasarkan citra yang ditangkap kamera. Penelitian ini bertujuan untuk menerapkan kombinasi metode dari pengelompokan k-rata-rata dan morfologi untuk menentukan ukuran udang Vaname yaitu berdasarkan perbandingan area dalam dimensi piksel dari hasil olah citra dengan teknologi computer vision terhadap massa dalam dimensi gram. Analisis regresi digunakan untuk mendapatkan persamaan yang mengkonversi antar nilai piksel tersebut ke dalam massa udang. Keefektifan kombinasi metode ini dibandingkan dengan hanya menggunakan metode pengelompokkan k-rata-rata dan nilai ambang. Hasil evaluasi dari metode yang diusulkan menunjukkan bahwa nilai RMSE yang diperoleh sebesar 0,68 yang lebih baik dari dua metode terdahulu berturut-turut adalah 0,73 dan 2,89. Sementara akurasi sistemnya untuk pengukuran massa diperoleh sebesar 93,64%, akurasi ukuran/besar sebesar 93,37% dan akurasi klaster dari ukuran sebesar 95,45%.

Note: This article has supplementary file(s).

Fulltext |  common.other
K-means clustering and morphology methods based on computer vision and regression analysis for vaname shrimp grading system application
Subject Manuscript revision (copy-edited version) Paper ID #14529
Type Other
  Download (1MB)    Indexing metadata
 common.other
K-means clustering and morphology methods based on computer vision and regression analysis for vaname shrimp grading system application
Subject Manuscript revision (copy-edited version) Paper ID #14529
Type Other
  Download (1MB)    Indexing metadata
Email colleagues
Keywords: analisa regresi;k-means clustering;morfologi;sistem grading udang

Article Metrics:

  1. “KKP,” Kkp.go.id. [Online]. Available: https://kkp.go.id/artikel/34708-udang-cumi-hingga-olahan-ikan-ini-produk-indonesia-yang-diburu-di-singapura. [Accessed: Nov. 7, 2021]
  2. “KKP,” Kkp.go.id. [Online]. Available: https://kkp.go.id/artikel/33639-menteri-trenggono-bertemu-stakeholder-udang-nasional-bahas-upaya-peningkatan-kinerja-ekspor. [Accessed: Nov. 7, 2021]
  3. A. Rahayuningtyas, M. Furqon, and D. Sagita, “Rancang bangun dan analisa biaya perangkat sortasi tomat berdasar sensor berat tipe strain gauge dan pengolahan citra warna,” Jurnal Riset Teknologi Industri, vol. 14, no. 1, pp. 65-78, Jun. 2020. doi: 10.26578/jrti.v14i1.5911
  4. I. Tomasevic et al., “Evaluation of poultry meat colour using computer vision system and colourimeter: Is there a difference?,” British Food Journal, vol. 121, no. 5, pp. 1078–1087, Jun. 2019. doi: 10.1108/BFJ-06-2018-0376
  5. R. Robianto, S. H. Sitorus, and U. Ristian, “Penerapan metode decision tree untuk mengklasifikasikan mutu buah jeruk berdasarkan fitur warna dan ukuran,” Coding: Jurnal Komputer dan Aplikasi, vol. 9, no. 1, pp. 76–86, Apr. 2021. doi: 10.26418/coding.v9i01.45907
  6. M. E. Al Rivan and G. R. Sung, “Identifikasi mutu buah pepaya California (Carica Papaya L.) menggunakan metode jaringan syaraf tiruan,” Jurnal Sistem Informasi dan Komputer, vol. 10, no. 1, pp. 113–119, Mar. 2021. doi: 10.32736/sisfokom.v10i1.1105
  7. N. Thanasarn, S. Chaiprapat, K. Waiyakan, and K. Thongkaew, “Automated discrimination of deveined shrimps based on grayscale image parameters,” Journal of Food Process Engineering, vol. 42, no. 4, Jun. 2019. doi: 10.1111/jfpe.13041
  8. Z. Liu, "Soft-shell shrimp recognition based on an improved alexnet for quality evaluations", Journal of Food Engineering, vol. 266, p. 109698, Feb. 2020. doi: 10.1016/j.jfoodeng.2019.109698
  9. R. Ye, Y. Chen, Y. Guo, Q. Duan, D. Li, and C. Liu, “NIR hyperspectral imaging technology combined with multivariate methods to identify shrimp freshness,” Applied Sciences, vol. 10, no. 16, p. 5498, Aug. 2020. doi: 10.3390/app10165498
  10. L. Afrinanda and Ilyas, “Perancangan sistem klasifikasi udang beracun pada jenis udang tenggek menggunakan metode k-nearest neighbor (K-NN),” Jurnal Selodang Mayang, vol. 6, no. 1, pp. 1–7, Apr. 2020. doi: 10.47521/selodangmayang.v6i1.140
  11. H.-Y. Lin et al., “Estimating shrimp body length using deep convolutional neural network,” in 2019 ASABE Annual International Meeting, Boston, Massachusetts, Jul. 2019, p. 1900724. doi: 10.13031/aim.201900724
  12. A. Priadana, and A. W. Murdiyanto, "Klasterisasi udang berdasarkan ukuran berbasis pemrosesan citra digital menggunakan metode CCA dan DBSCAN," Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 2, pp. 106-112, Apr. 2020. doi: 10.14710/jtsiskom.8.2.2020.106-112
  13. P. Poonnoy and S. Asavasanti, “Implementation of coupled pattern recognition and regression artificial neural networks for mass estimation of headless-shell-on shrimp with random postures,” Journal of Food Process Engineering, vol. 44, no. 8, Aug. 2021. doi: 10.1111/jfpe.13747
  14. S. Jana, R. Parekh, and B. Sarkar, “A De novo approach for automatic volume and mass estimation of fruits and vegetables,” Optik, vol. 200, p. 163443, Jan. 2020. doi: 10.1016/j.ijleo.2019.163443
  15. T. Misdiyanto, Y. Suhandini, and I. Aprilia, “Identifikasi jenis-jenis burung lovebird menggunakan pengolahan citra digital dengan metode k-means clustering,” Jurnal Sains Komputer dan Informatika, vol. 4, no. 2, pp. 445–456, Sep. 2020. doi: 10.30645/j-sakti.v4i2.236
  16. E. F. Himmah, M. Widyaningsih, and M. Maysaroh, “Identifikasi kematangan buah kelapa sawit berdasarkan warna RGB dan HSV menggunakan metode k-means clustering,” Jurnal Sains dan Informatika, vol. 6, no. 2, pp. 193–202, Dec. 2020. doi: 10.34128/jsi.v6i2.242
  17. S. Suleman, “Identifikasi jumlah bibit bandeng menggunakan metode k-means berbasis HSV color dan morfologi,” Jurnal Teknologi Informasi Indonesia, vol. 2, no. 1, pp. 27–32, Mei. 2017. doi: 10.30869/jtii.v2i1.306
  18. R. Umar, I. Riadi, and M. Miladiah, “Sistem identifikasi keaslian uang kertas rupiah menggunakan metode k-means clustering,” Techno.COM: Jurnal Teknologi Informasi, vol. 17, no. 2, pp. 179–185, Mei 2018. doi: 10.33633/tc.v17i2.1681
  19. T. P. N. Cerah, O. D. Nurhayati, and R. R. Isnanto, "Perbandingan metode segmentasi k-means clustering dan segmentasi region growing untuk pengukuran luas wilayah hutan mangrove," Jurnal Teknologi dan Sistem Komputer, vol. 7, no. 1, pp. 31-37, Jan. 2019. doi: 10.14710/jtsiskom.7.1.2019.31-37
  20. S. Zahrah, R. Saptono, and E. Suryani, “Identifikasi gejala penyakit padi menggunakan operasi morfologi citra,” in Seminar Nasional Ilmu Komputer, Semarang, Oct. 2016, pp. 100-106
  21. I. P. E. Sutariawan, G. R. Dantes, and K. Y. E. Aryanto, “Segmentasi mata katarak pada citra medis menggunakan metode operasi morfologi,” Jurnal Ilmu Komputer Indonesia, vol. 3, no. 1, pp. 23–31, Feb. 2018. doi: 10.23887/jik.v3i1.2750
  22. E. I. Sela, "Deteksi osteoporosis pada citra radiograf panoramik dental menggunakan algoritme J48 dan learning vector quantization," Jurnal Teknologi dan Sistem Komputer, vol. 9, no. 4, pp. 211-217, Oct. 2021. doi: 10.14710/jtsiskom.2021.14197
  23. S. Solihun, I. Ruslianto, and U. Ristian, “Implementasi perhitungan kendaraan mobil di jalan raya menggunakan metode background subtraction dan teknik morfologi citra,” Coding: Jurnal Komputer dan Aplikasi, vol. 9, no. 3, pp. 424–435, 2021. doi: 10.26418/coding.v9i03.50865
  24. I. H. Kartowisatro, “Pengaruh pencahayaan terhadap kinerja segmentasi,” Comtech: Computer, Mathematics and Engineering Applications, vol. 5, no. 1, pp. 466–472, Jun. 2014. doi: 10.21512/comtech.v5i1.2640

Last update:

No citation recorded.

Last update: 2024-11-12 11:29:59

No citation recorded.