KLASIFIKASI IKAN MENGGUNAKAN ORIENTED FAST AND ROTATED BRIEF (ORB) DAN K-NEAREST NEIGHBOR (KNN)

Mirza Ramadhani, Darlis Heru Murti
2018 JUTI: Jurnal Ilmiah Teknologi Informasi  
1) , darlis@if.its.ac.id 2) ABSTRAK Ikan memiliki bentuk dan ukuran tertentu yang berbeda antara ikan yang satu dengan yang lain. Permasalahan dalam mengenali jenis ikan lebih kompleks dibandingkan dengan mengenali wajah manusia. Perbedaan bentuk, warna, dan tekstur pada ikan lebih bervariasi dibandingkan manusia. Pengenalan jenis ikan pada umumnya masih dilakukan secara manual menggunakan pengamatan mata. Sehingga diperlukan adanya sistem yang dapat mengenali ikan secara otomatis. Penelitian
more » ... matis. Penelitian sebelumnya juga sudah dapat mengenali jenis ikan namun sensitive terhadap berbagai transformasi atau deformasi dari sebuah objek, dan waktu komputasi yang tidak sedikit, sehingga kurang efektif untuk mengenali objek ikan. Dalam Penelitian ini, kami mengusulkan metode untuk mendeteksi dan mengenali jenis objek ikan menggunakan metode ORB dan KNN. Pengaplikasian dari metode ORB diterapkan untuk ekstraksi fitur dari gambar yang diambil. Kemudian hasil tersebut akan diklasifikasi menggunakan KNN untuk menentukan label kelas yang tepat dari input data ikan. ORB memiliki dua bagian utama yaitu FAST keypoint detector dan BRIEF rotation yang disempurnakan sedemikian rupa agar dapat meningkatkan kemampuannya dalam mendeteksi dan mendeskripsi fitur, misalnya pada fitur FAST yang mempunyai komputasi rendah yang kemudian dimodifikasi lagi untuk menambahkan orientasi centroid sehingga dapat mendeteksi objek secara akurat dengan waktu yang lebih singkat, dan fitur BRIEF yang didesain ulang agar dapat mendeskripsi fitur pada citra sehingga tahan terhadap perubahan transformasi/deformasi objek. Hasil uji coba menunjukkan bahwa metode yang diusulkan pada penelitian ini mencapai akurasi klasifikasi sebesar 97,5%.. Kata Kunci: Deteksi ikan, klasifikasi, KNN, ORB, pengenalan ikan. ABSTRACT Fish have a certain shape and size that differ between fish one with another. The problem of recognizing fish species is more complex than recognizing human faces. Differences in shapes, colors, and textures in fish are more varied than humans. The fish recognition of species in general is still done manually using eye observation. So that required a system that can recognize fish automatically. Previous research has also been able to recognize fish species but is sensitive to various transformations or deformations of an object, and computational time is not small, making it less effective to recognize fish. In this study, we propose methods for detecting and recognizing fish object types using the ORB and KNN methods. The application of the ORB method is applied to feature extraction from captured images. Then the results will be classified using KNN to determine the exact class label of the fish data input. ORB has two main parts of the FAST keypoint detector and BRIEF rotation that is enhanced in such a way as to improve its ability to detect and describe features, for example on FAST features that have low computation which is then modified again to add centroid orientation so that it can detect objects accurately with time shortened, and redesigned BRIEF features in order to encrypt the image feature so that it is resistant to changes in object transformation / deformation. The experimental results showed that the proposed method reached classification accuracy by 97,5%.
doi:10.12962/j24068535.v16i2.a711 fatcat:mmc7rrowkvebncimno5fyzr6o4