Analisis Pengaruh Kondisi Akuisisi Citra terhadap Kinerja Klasifikasi Butterfly Fish Menggunakan Fitur HSV dan KNN

Abstract

Kondisi akuisisi citra merupakan salah satu faktor penting yang sering diabaikan dalam penelitian klasifikasi citra ikan. Sebagian besar studi sebelumnya menggunakan dataset dengan latar belakang dan pencahayaan terkontrol, sehingga performa model pada kondisi nyata yang lebih kompleks belum dievaluasi secara memadai. Penelitian ini bertujuan untuk menganalisis secara komparatif kinerja klasifikasi citra butterfly fish pada dua jenis dataset, yaitu dataset terkondisi dan tidak terkondisi, menggunakan ekstraksi fitur warna HSV dan algoritma K-Nearest Neighbor (KNN). Dataset terkondisi diperoleh melalui pengambilan citra di mini studio dengan latar belakang dan pencahayaan terkontrol, sedangkan dataset tidak terkondisi diambil dari akuarium dengan latar belakang dan pencahayaan yang bervariasi. Ekstraksi fitur dilakukan dengan menghitung nilai rata-rata Hue, Saturation, dan Value dari setiap citra, kemudian klasifikasi dievaluasi menggunakan skema 5-fold dan 10-fold cross-validation. Hasil eksperimen menunjukkan bahwa dataset tidak terkondisi mampu menghasilkan akurasi klasifikasi yang lebih tinggi dibandingkan dataset terkondisi ketika jumlah data lebih besar, meskipun memiliki variasi visual yang lebih kompleks. Temuan ini menegaskan bahwa keragaman dan kuantitas data memiliki pengaruh yang lebih dominan terhadap kinerja KNN dibandingkan tingkat keterkendalian kondisi akuisisi citra. Hasil penelitian ini memberikan kontribusi penting dalam perancangan dataset citra ikan yang lebih representatif untuk aplikasi nyata.