Penerapan Random Forest Untuk Pengenalan Jenis Ikan Berdasarkan Perbaikan Citra Clahe Dan Dark Channel Prior

Ancaman terhadap kekayaan alam semakin terlihat, oleh karena itu upaya untuk melindungi populasi biota perairan sangat menantang bagi banyak negara. Upaya untuk mengatasi kerusakan terhadap populasi ikan asli telah dilakukan dengan mengurangi populasi ikan invasif melalui teknik penangkapan ikan tradisional. Namun, teknik penangkapan tersebut tidak hanya menangkap spesies ikan invasif tetapi juga spesies asli. Oleh karena itu, masih diperlukan proses manual untuk memilah hasil tangkapan sehingga menghabiskan energi dan waktu. Maka, perlu ditingkatkan kemampuan pengenalan ikan secara otomatis dengan bantuan computer. Telah ada penelitian sebelumnya untuk mengenali jenis-jenis ikan, namun tidak banyak yang mempertimbangkan adanya noice atau artefak-artefak yang timbul karena kondisi bawah air serta efek fitur-fitur ikan yang saling berkaitan. Oleh karena itu dalam penelitian ini, peneliti ini mengusulkan untuk melakukan analisis dampak pre-processing dari kombinasi algoritma CLAHE dan DCP yang diterapkan dalam klasifikasi ikan dengan Random Forest. Pre-processing yang yang diberikan bertujuan untuk mengatasi artefak atau noice yang timbul pada citra bawah air dan mengatasi efek dari fitur-fitur keragaman jenis ikan. Sehingga diharapkan mampu menghasilkan klasifikasi yang lebih baik dari penelitian sebelumnya. Klasifikasi dengan menggunakan Random Forest (RF) dengan perbaikan citra Dark Channel Prior (DCP) dan Contract Limited Adaptive Histogram Equalization (CLAHE), terbukti memberikan nilai akurasi rata-rata yang cukup tinggi yakni sebesar 98.51%, presisi 78.91%, dan recall 36.71%