PUTRA, I PUTU ARYA (2024) INISIASI PEMBENTUKAN DATASET BUTTERFLY FISH MENGGUNAKAN SINTESA DATA SMOTE PADA FITUR HSV (HUE, SATURATION,VALUE). Masters thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2229101046-COVER.pdf Download (2MB) |
|
Text (ABSTRAK)
2229101046-ABSTRAK.pdf Download (503kB) |
|
Text (BAB 1 PENDAHULUAN)
2229101046-BAB 1 PENDAHULUAN.pdf Download (708kB) |
|
Text (BAB 2 KAJIAN TEORI)
2229101046-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2229101046-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101046-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2229101046-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (462kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2229101046-DAFTAR PUSTAKA.pdf Download (593kB) |
|
Text (LAMPIRAN)
2229101046-LAMPIRAN.pdf Download (438kB) |
Abstract
Perairan Pulau Bali merupakan salah satu perairan dengan keanekaragaman hayati tinggi, terutama dalam hal keragaman spesies ikan karang. Butterfly fish adalah salah satu spesies ikan karang yang memiliki nilai ekonomi dan estetika yang bagus, terutama bagi pecinta ikan hias. Identifikasi spesies secara tradisional membutuhkan waktu dan keahlian, sehingga diperlukan model machine learning untuk mempercepat dan mempermudah proses identifikasi. Penelitian ini menginisiasi pembentukan dataset citra butterfly fish dengan data yang diperoleh melalui akuisisi langsung di perairan Bali. Ekstraksi fitur dilakukan menggunakan metode HSV (Hue, Saturation, Value) untuk menangkap karakteristik warna dari citra, sedangkan SMOTE diterapkan untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan preprosesing efektif pada data terkondisi, yang berhasil mencapai performa terbaik pada model KNN maupun Decision Tree. Data terkondisi memiliki citra dengan objek yang sudah terkondisi berada di tengah citra, tentu ini memudahkan model preproses dalam croping pada proses preprosesing. SMOTE pada data terkondisi juga efektif menyeimbangkan kelas dan meningkatkan hasil akurasi. Sebaliknya, pada data tidak terkondisi, preprosessing justru menurunkan performa model, karena objek dalam citra tidak berada di tengah akibat objek bergerak bebas. Namun, penerapan SMOTE langsung pada data tidak terkondisi tetap memberikan dampak positif signifikan. Eksperimen membandingkan performa dataset terkondisi dan tidak terkondisi menggunakan KNN dan Decision Tree, menunjukkan bahwa model terbaik dicapai pada konfigurasi "Data Original dengan SMOTE tanpa preprosesing” yang diuji dengan KNN (k=3, 10-fold cross-validation)". Model ini memberikan hasil tertinggi pada semua metrik evaluasi, melebihi performa pada dataset terkondisi, yang disebabkan karena jumlah data dari dataset tidak terkondisi jauh lebih banyak ketimbang data tidak terkondisi, dengan demikian model mesin learning bisa lebih banyak belajar. Hasil juga menunjukkan bahwa peningkatan jumlah K pada KNN cenderung menurunkan akurasi karena bertambahnya data tetangga dari kelas berbeda. Penelitian ini memberikan kontribusi awal dalam pembentukan dataset optimal untuk identifikasi spesies butterfly fish di bali yang di publish pada https://data.mendeley.com/datasets/hsmjkvd5sm/
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | SMOTE, HSV (Hue,Saturation,Value) , spesies butterfly fish. |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Pascasarjana > Program Studi Ilmu Komputer (S2) |
| Depositing User: | I Putu Arya Putra |
| Date Deposited: | 26 Dec 2024 05:21 |
| Last Modified: | 26 Dec 2024 05:21 |
| URI: | http://repo.undiksha.ac.id/id/eprint/22589 |
Actions (login required)
 |
View Item |