Pengaruh Augmentasi dengan Perbaikan Kualitas Citra Terhadap Pengklasifikasian Citra Ikan Menggunakan CNN

Azhar, Daffa Muhamad (2023) Pengaruh Augmentasi dengan Perbaikan Kualitas Citra Terhadap Pengklasifikasian Citra Ikan Menggunakan CNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000037-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Klasifikasi spesies ikan dengan metode Convolutional Neural Network (CNN) akan mempermudah proses klasifikasi secara manual yang cukup sulit dilakukan terlebih ketika terdapat sebuah spesies ikan yang sangat mirip. CNN akan dengan mudah mengenali spesies tersebut jika model yang digunakan dilatih dengan tepat. Model akan dilatih dengan cara mengenali citra yang berada pada dataset yang telah tersedia. Akan tetapi, dalam proses pelatihan model CNN, dibutuhkan juga data yang beragam dan banyak. Tidak hanya itu, kualitas dari citra yang terdapat pada dataset juga akan memengaruhi model tesebut. Sama seperti manusia, model tesebut juga akan kesulitan dalam mengenali citra jika kualitas yang dimiliki buruk. Oleh karena itu, dibutuhkan perbaikan kualitas citra terlebih dahulu agar menghasilkan model CNN yang baik. Penelitian ini bertujuan untuk mengetahui pengaruh dari augmentasi dengan perbaikan kualitas citra terhadap klasifikasi citra ikan menggunakan CNN. Pada penelitian ini digunakan dataset Fish-gres yang dikenakan dua buah teknik perbaikan kualitas citra yaitu Histogram Equalization (HE) dan Contrast Limited Adaptive Histogram Equalization (CLAHE) sehingga menjadi dua buah data latih baru. Model yang digunakan adalah model CNN dengan pre-trained model dan CNN tanpa pre-trained model. Pre-trained model yang digunakan pada penelitian ini adalah ResNet50, Xception, dan VGG16 yang telah disediakan oleh Keras. Model akan dilatih dengan data latih orisinal, data latih dengan augmentasi HE, dan data latih dengan augmentasi CLAHE sehingga menghasilkan tiga buah model terlatih yaitu model orisinal, model HE, dan model CLAHE. Akurasi dari setiap model akan dibandingkan satu sama lain untuk dievaluasi. Hasil dari ketiga model tersebut juga digabungkan dengan metode majority voting dan weighted voting serta dievaluasi kembali dengan membandingkan akurasinya dengan model HE-CLAHE yang dilatih menggunakan data latih dengan augmentasi HE dan CLAHE secara bersamaan. Hasil penelitian menunjukkan bahwa augmentasi dengan HE dan CLAHE serta metode ensemble dapat meningkatkan kinerja pengenalan dari spesies ikan pada beberapa model dengan peningkatan tertinggi pada arsitektur tanpa pre-trained model yang meningkat sebesar 0,92% dengan augmentasi HE. Hasil penelitian juga menunjukkan penggunaan pre-trained model ResNet50 pada CNN menghasilkan akurasi yang paling tinggi, dengan akurasi 100%, dibandingkan pre-trained model yang lain maupun CNN tanpa pre-trained model.
=====================================================================================================================================
Classifying fish species using Convolutional Neural Network (CNN) methods simplifies the manual classification process, which can be very difficult, especially when dealing with very similar fish species. If the model used is correct, CNN will easily identify these species. The model identifies by recognizing images in the available dataset. However, the training process of CNN models also requires large amounts of various data. Additionally, the quality of the images in the dataset also affects the model. Just like humans, these models cannot perceive images that are of poor quality. Therefore, to generate a good CNN model, we must first improve the image quality. This study aims to determine the effect of augmentation with image enhancement on fish image classification using CNN. The Fish-gres dataset was used in this study. The dataset will be enhanced by two image enhancement techniques, Histogram Equalization (HE) and Contrast Limited Adaptive Histogram Equalization (CLAHE), to produce two new datasets. The models that will be used are CNN model with and without pre-trained model. The pre-trained models used in this study are ResNet50, Xception, and VGG16 provided by Keras. Three models will be trained, one using the original dataset, the other one using the augmented HE-enhanced data train, and the other one using the augmented CLAHE-enhanced data train. Every model’s accuracy will be compared to one another to be evaluated. The results of the three models will be ensembled with the majority voting and weighted voting methods and re-evaluated by comparing their accuracy with a single model that was trained using combined HE and CLAHE augmentation training data. The experiment showed that the augmentation with HE and CLAHE and the ensemble method could improve the performance of fish image classification in several models with the highest improvement on CNN without pre-trained model with 0,92% accuracy improvement. It also showed that the use of ResNet50 pre-trained model on CNN has the highest accuracy between the other models with 100% accuracy.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, CLAHE, HE, Augmentasi Citra, Spesies Ikan, CNN, CLAHE, Fish Species, HE, Image Augmentation.
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Daffa Muhamad Azhar
Date Deposited:	26 Jul 2023 05:30
Last Modified:	26 Jul 2023 05:30
URI:	http://repository.its.ac.id/id/eprint/99423

Actions (login required)

View Item