Deteksi Kesegaran Ikan Kembung dengan Metode KNN Berdasarkan Fitur GLCM dan RGB-HSV

Abstract

Ikan kembung, yang memiliki nilai gizi tinggi dan permintaan konsumen yang terus meningkat, sering kali mengalami penurunan kualitas akibat proses degradasi setelah penangkapan. Penurunan ini tidak hanya mengurangi nilai gizi tetapi juga dapat membuat ikan kembung menjadi beracun jika dikonsumsi dalam keadaan busuk. Meskipun metode tradisional seperti analisa mikroskopis dan kimia dapat digunakan untuk menilai kesegaran ikan, metode ini tidak efisien karena memerlukan waktu, biaya, dan tenaga yang besar. Untuk mengatasi masalah ini, penelitian ini mengimplementasikan sistem deteksi kesegaran ikan kembung dengan metode K-Nearest Neighbors (KNN). Sistem ini menggunakan fitur warna RGB-HSV dan tekstur GLCM dari citra ikan kembung untuk membedakan antara ikan kembung segar dan busuk. Dataset yang digunakan terdiri dari 700 citra ikan kembung, yang dibagi menjadi data pelatihan dan pengujian. Tujuan dari penelitian ini adalah untuk menyediakan alat yang mudah digunakan oleh penjual dan pembeli ikan kembung dalam menentukan kesegaran ikan dengan lebih akurat dan efisien. Hasil penelitian menggunakan normalisasi dengan akurasi 96%, presisi 96% dan recall 96%, menunjukkan bahwa pendekatan berbasis KNN dengan fitur warna dan tekstur dapat secara efektif mendeteksi kesegaran ikan kembung, memberikan solusi yang lebih akurat dibandingkan metode tradisional. Pendekatan ini memberikan kontribusi signifikan dalam proses penentuan kesegaran ikan kembung, membantu mengurangi kesalahan dalam pemilihan ikan kembung oleh konsumen