%A 1417051137 SUSIYANI
%T SEGMENTASI IKAN MASKOKI MENGGUNAKAN
METODE EXPECTATION MAXIMIZATION (EM)
%X Goldfish is one type of ornamental fish that has a variety of species, shapes, and
colors. Goldfish?s identification manually was difficult, because several species
have similar anatomy. Identification has several important stages, one of which is
segmentation. Accurate segmentation results will provide maximum feature
extraction results and inevitably have an impact on optimal identification results.
This research focused to separate the goldfish with an object background.
Goldfish species that are segmented are Fantail, Oranda, and Ranchu. The
segmentation method used is Expectation Maximization. Expectation
Maximization is an algorithm for estimating a parameter in a function by using
Maximum Likelihood Estimation (MLE), and the function contains incomplete
data. This research used 216 of goldfish's images. 72 images were used for each

species. Goldfish segmentation evaluation results using the Expectation-
Maximization method can work with an accuracy rate of 89.14%. The image is

not segmented properly due to lighting conditions that are too bright and the color
of the fish is similar to the background.

Keywords: Goldfish Segmentation, Expectation-Maximization (EM), Image
Processing
Ikan Maskoki adalah salah satu jenis ikan hias yang memiliki beragam spesies,
bentuk dan warna. Pengenalan ikan maskoki secara manual dengan pengamatan
langsung sulit dilakukan. Spesies yang anatominya hampir serupa diperlukan
identifikasi ikan secara otomatis. Identifikasi memiliki beberapa tahapan yang
penting salah satunya yaitu segmentasi. Hasil segmentasi yang akurat akan
memberikan hasil ekstraksi fitur yang maksimal dan pasti berdampak pada hasil
identifikasi yang optimal. Penelitian ini bertujuan untuk memisahkan objek ikan
Maskoki dengan background. Spesies ikan maskoki yang disegmentasi yaitu
Fantail, Oranda, dan Ranchu. Metode segmentasi yang digunakan adalah
Expectation Maximization. Expectation Maximization adalah algoritma untuk
menduga suatu parameter dalam suatu fungsi dengan menggunakan Maximum
Likelihood Estimation (MLE), dan fungsi tersebut mengandung data yang tidak
lengkap. Dataset yang digunakan berjumlah 216 citra ikan maskoki. Spesies ikan
Maskoki masing-masing berjumlah 72 citra. Hasil evaluasi segmentasi ikan
Maskoki menggunakan metode Expectation Maximization mampu bekerja dengan
tingkat akurasi mencapai 89,14%. Citra tidak tersegmentasi dengan baik
disebabkan kondisi pencahayaan yang terlalu terang dan warna ikan yang serupa
dengan background-nya

Kata Kunci : Segmentasi Ikan Maskoki, Expectation Maximization (EM),
Pengolahan Citra
%C UNIVERSITAS LAMPUNG
%D 2019
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%L eprints57723