Goldfish (Carassius auratus) Segmentation Using Expectation Maximization (EM) Method

JOURNAL OF APPLIED INFORMATICS AND COMPUTING

View Publication Info
 
 
Field Value
 
Title Goldfish (Carassius auratus) Segmentation Using Expectation Maximization (EM) Method
Goldfish (Carassius auratus) Segmentation Using Expectation Maximization (EM) Method
 
Creator Heningtyas, Yunda
Andrian, Rico
Junaidi, Akmal
Susiyani, S
 
Description Carassius Auratus, also known as goldfish, is the most commonly kept ornamental fish in an aquarium that has a variety of species, shapes, and colors. Goldfish anatomy is almost similar between species so it is difficult to distinguish. Goldfish identification has several processes to determine the level of success. One process that is very important for identification is segmentation. Segmentation is the stage to separate objects and backgrounds. Good segmentation results will provide maximum feature extraction results and it should impact on optimal identification results. This research aims to create a system that can be used to segment goldfish fish objects in the background using the Expectation-Maximization method. Expectation-Maximization is an algorithm for estimating a parameter in a function by using Maximum Likelihood Estimation (MLE). Goldfish fish species total of 72 images each totaling 216. Goldfish segmentation evaluation results using the Expectation-Maximization method can work well with an accuracy rate of 89.14%. Analysis of the results of the imperfect fish image segmentation is influenced by white light and the background color is almost similar to that of the goldfish. The results of the best goldfish image segmentation are influenced by a good goldfish image when the image capture process at the time of the screenshot has a stable focus and is not blurry so that the edges of the goldfish object appear clearly and sharply.
Carrasius Auratus atau dikenal sebagai ikan Maskoki adalah ikan hias yang paling banyak dipelihara didalam akuarium yang memiliki spesies, bentuk, dan warna yang beragam. Identifikasi ikan Maskoki secara manual sulit dilakukan. Hal ini disebabkan anatomi ikan Maskoki yang hampir serupa. Spesies yang anatominya hampir serupa diperlukan identifikasi ikan secara otomatis. Identifikasi ikan Maskoki memiliki beberapa proses untuk menentukan tingkat keberhasilan. Salah satu proses yang sangat penting untuk identifikasi yaitu segmentasi. Segmentasi merupakan tahapan untuk memisahkan antara objek dan background. Hasil segmentasi yang baik akan memberikan hasil ekstraksi fitur yang maksimal dan pasti berdampak pada hasil identifikasi yang optimal. Penelitian ini bertujuan membuat sebuah sistem yang dapat digunakan  untuk segmentasi objek ikan Maskoki dengan background menggunakan metode Expectation Maximization. Expectation Maximization adalah algoritma untuk menduga suatu parameter dalam suatu fungsi dengan menggunakan Maximum Likelihood Estimation (MLE). Spesies ikan Maskoki masing-masing berjumlah 72 citra total keseluruhan berjumlah 216. Hasil evaluasi segmentasi ikan Maskoki menggunakan metode Expectation Maximization mampu bekerja baik dengan tingkat akurasi mencapai 89,14%. Analisis hasil segmentasi citra ikan yang tidak sempurna dipengaruhi oleh cahaya putih dan warna background hampir serupa dengan objek ikan Maskoki. Hasil segmentasi citra ikan Maskoki terbaik dipengaruhi oleh citra ikan Maskoki yang baik pada saat proses pengambilan citra pada saat screenshot memiliki fokus yang stabil dan tidak blur, sehingga menghasilkan tepian objek ikan Maskoki terlihat jelas dan tajam.
 
Publisher Politeknik Negeri Batam
 
Date 2020-09-17
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
 
Format application/pdf
 
Identifier https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/2387
10.30871/jaic.v4i2.2387
 
Source Journal of Applied Informatics and Computing; Vol 4 No 2 (2020): Desember 2020; 107-115
2548-6861
10.30871/jaic.v4i2
 
Language eng
 
Relation https://jurnal.polibatam.ac.id/index.php/JAIC/article/view/2387/1182
 
Rights Copyright (c) 2020 Yunda Heningtyas, Rico Andrian, Akmal Junaidi, S Susiyani
http://creativecommons.org/licenses/by-sa/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library