Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer Vol. 15 No. 2 September 2020 114 e-ISSN 2597-4963 dan p-ISSN 1858-4853 DOI: http://dx.doi.org/10.30872/jim.v15i2.4648 Deteksi Ikan Dengan Menggunakan Algoritma Histogram of Oriented Gradients Fetty Tri Anggraeny 1) , Basuki Rahmat 2) , Singgih Putra Pratama 3) Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Surabaya, Indonesia E-Mail : fettyanggraeny.if@upnjatim.ac.id 1) ; basukirahmat.if@upnjatim.ac.id 2) ; singgihputrap.if@gmail.com 3) ABSTRAK Indonesia merupakan negara yang kaya akan sumber daya alam baik hayati maupun non-hayati. Salah satu sumber daya alam hayati yang sangat banyak jumlahnya di Indonesia adalah laut, Untuk mempermudah mengidentifikasikan ikan, dapat memanfaatkan sebuah teknologi yang dapat membantu manusia untuk dapat mengenali ikan dengan menggunakan visi komputer dan pendekatan pemrosesan gambar untuk deteksi ikan dan bukan ikan menggunakan algoritma Histogram of Oriented Gradients (HOG) dan AdaBoost-SVM. Hasil penelitian menunjukkan bahwa metode HOG dan AdaBoost-SVM dapat menghasilkan tingkat akurasi rata-rata sebesar 84.8%. Kata Kunci – Deteksi Ikan, Histogram of Oriented Gradients, Adaboost-SVM 1. PENDAHULUAN Indonesia merupakan negara yang kaya akan sumber daya alam baik hayati maupun non-hayati. Salah satu sumber daya alam hayati yang sangat banyak jumlahnya di Indonesia adalah laut, yang menjadikan Indonesia dijuluki negara Maritim karena wilayah perairannya yang lebih luas daripada wilayah daratan. Salah satu sumber daya alam laut yang banyak dimanfaatkan oleh masyarakat Indonesia adalah ikan. Berbagai jenis ikan hidup dan berkembang biak tersebar pada beberapa wilayah perairan yang ada di Indonesia. Pada penelitian yang dilakukan oleh (Prianto & Suryanti, 2010) terdapat 54 jenis ikan yang terdapat pada Sungai Musi. Dari banyaknya jenisnya ikan tersebut tidak semua orang dapat mengenali jenis- jenis ikan melalui dari segi fisik yang tampak secara visual (Kumaseh, Latumakulita, & Nainggolan, 2013). Untuk mempermudah mengidentifikasikan ikan, dapat memanfaatkan sebuah teknologi yang dapat membantu manusia untuk dapat mengenali ikan. Salah satu teknologi yang berperan penting salah satunya yaitu teknologi visi komputer. Visi komputer merupakan serangkaian teknologi yang memungkinkan perangkat lunak untuk menangkap, menganalisis, dan memproses gambar. Visi komputer dan pendekatan pemrosesan gambar untuk deteksi ikan bawah air mendapatkan perhatian yang khusus oleh para ilmuwan kelautan (Salman, Maqbool, Khan, Jalal, & Shafait, 2019) dengan mengestimasi keberadaan ikan dari video dan gambar dapat mendukung ahli biologi kelautan untuk memahami lingkungan bawah laut yang alami, mempromosikan pelestariannya dan mempelajari perilaku interaksi antara hewan laut yang menjadi bagian darinya (Li, Shang, Qin, & Chen, 2016) Untuk melakukan deteksi ikan dibutuhkan sebuah proses pengenalan ikan. Pengenalan ikan merupakan proses mengidentifikasikan ikan berdasarkan gambaran bentuk pola tubuh ikan beserta ciri-cirinya (Santoso, Setiyono, & Isnanto, 2011). Dari permasalahan tersebut untuk mengatasinya dengan cara pendekatan pengolahan citra yang merupakan salah satu bidang ilmu kecerdasan buatan khususnya visi komputer. Dalam visi komputer dibutuhkan sebuah proses ekstraksi fitur untuk mengenali bentuk pola tubuh ikan beserta ciri-cirinya. Salah satu ekstraksi fitur yang dapat digunakan visi komputer adalah Histogram of Oriented Gradients (HOG). Pada penelitian yang dilakukan oleh (Dalal & Triggs, 2005), HOG merupakan ekstraksi ciri yang dapat mendeteksi objek dengan baik dengan menggunakan SVM sebagai klasifikasinya, dengan harapan dapat meningkatkan tingkat akurasi dalam mendeteksi ikan dapat menggunakan teknik boosting salah satunya adalah algoritma Adaboost. Selain itu pada penelitian yang dilakukan oleh (Purbasari, Intan Y Anggraeny & Harianto, 2018), dengan menggunakan HSV sebagai ruang warnanya dan SVM dalam melakukan klasifikasi menghasilkan tingkat akurasi hingga 100%. Pada penelitian sebelumnya yang dilakukan oleh (Fu et al., 2019), dengan menggunakan HOG ekstraksi ciri dan melakukan perbandingan SVM dan Adaboost menghasilkan tingkat akurasi rata-rata sebesar 90%. Oleh karena itu penelitian ini, akan di bangun sebuah program klasifikasi ikan dan bukan ikan melalui citra, dimana dalam proses ekstraksi ciri menggunakan Histogram of Oriented Gradients (HOG) dan klasifikasi Adaboost dengan Support Vector Machine (Adaboost-SVM). 2. TINJAUAN PUSAKA A. HOG (Histogram of Oriented Gradients) History of Oriented Gradients (HOG) merupakan sebuah metode yang digunakan pada image processing bertujuan untuk deteksi obyek. Teknik ini menghitung nilai gradien dalam daerah tertentu suatu citra. Tiap citra mempunyai karakteristik yang di tunjukkan oleh distribusi gradien. Karakteristik ini diperoleh dengan membagi citra ke dalam daerah kecil yang disebut sel. Tiap sel disusun sebuah histogram dari sebuah gradien dan dari