METODE KLASIFIKASI SPESIES IKAN BERDASARKAN KARAKTERISTIK MORFOMETRIK (Studi Kasus: Ikan Betok dan Ikan Kurisi)

(1) Institut informatika dan Bisnis Darmajaya Jalan ZA pagar alam no.93 Bandarlampung
(2) Institut informatika dan Bisnis Darmajaya Jalan ZA pagar alam no.93 Bandarlampung
(3) Institut informatika dan Bisnis Darmajaya Jalan ZA pagar alam no.93 Bandarlampung

Abstract
Produksi ikan betok dan ikan kurisi saat ini masih sangat bergantung pada hasil tangkapan dari alam, dan bila tidak dilakukan pembatasan, hal ini akan menyebabkan peningkatan dalam penangkapan ikan yang berdampak negatif pada jumlah populasi ikan di masa mendatang. Ikan betok merupakan salah satu spesies yang terancam punah, selain menghadapi penurunan populasi yang terus berlanjut, polusi, dan metode budidaya yang belum sepenuhnya maju pada saat ini. Dengan mengklasifikasikan ikan berdasarkan morfometrik dapat memberikan kontribusi dalam memonitor dan mengelola sumber daya perikanan. Penelitian ini bertujuan untuk menguji sejauh mana model klasifikasi ini efektif dan akurat dalam membedakan antara data set ikan betok dan ikan kurisi berdasarkan karakteristik morfometrik. Untuk mencapai tujuan ini, digunakan tiga metode data mining, yaitu Naive Bayes, K-Nearest Neighbor, dan Decision Tree. Penelitian ini merupakan penelitian eksperimen untuk menemukan algoritma terbaik dalam mengklasifikasi spesies ikan menggunakan metode Naive Bayes, K-Nearest Neighbor, dan Decision Tree. untuk mengklasifikasikan spesies ikan metode Decision Tree lebih unggul daripada metode Naive Bayes dan metode K-Nearest Neighbor. Dengan hasil pengujian yang dilakukan dengan mendapatkan nilai akurasi sebesar 94,74%.
References
Y. Apriani, N. Rahmawati, W. Astriana, Mersi, Makri, and A. Fatiqin, “Analisis morfometrik dan meristek ikan Genus Oreochromis sp,” Pros. SEMNAS BIO 2021, vol. 01, pp. 412–422, 2021, [Online].Available:
https://doi.org/10.24036/prosemnasbio/vol1/56
Y. H. Siska, M. S. Anwari, and A. Yani, “Keanekaragaman Jenis Ikan Air Tawar Di Sungai Kepari Dan Sungai Emperas Desa Kepari Kecamatan Sungai Laur Kabupaten Ketapang,” J. Hutan Lestari, vol. 8, no. 2, pp. 299–309, 2020, DOI: http://dx.doi.org/10.20527/jbsp.v12i1.13127
S. Nurdawati, Z. Fahmi, and F. Supriyadi, “PARAMETER POPULASI IKAN BETOK (Anabas testudineus (BLOCH, 1792)) DI EKOSISTEM PAPARAN BANJIR SUNGAI MUSI, Lubuk Lampam,” Ber. Biol., vol. 18, no. 1, 2019.
DOI:10.14203/beritabiologi.v18i1.3107
A. Solichin, I. P. Sari, S. W. Saputra, and N. Widyorini, “Dinamika Populasi Ikan Kurisi (Nemipterus japonicus Bloch, 1791) di Perairan Teluk Semarang,” Pena Akuatika Jurnal Ilmiah Perikanan dan Kelautan., vol. 21, no. 2, p. 1, 2022.
https://doi.org/10.31941/penaakuatika.v21i2.2223
Syamsir, A. Silvana Naiu, and N. Yusuf, “Karakteristik Mutu Surimi Berbagai Ikan dari Perairan Kota Gorontalo,” J. Nike, vol. 10, no. 2, pp.84–91,2022. DOI: https://doi.org/10.37905/nj.v10i2.21052
H. Helmizuryani, E. D. Harmilia, and A. Subhan, “Pembesaran Benih Ikan Betok (Anabas testudineus) yang Dipelihara Dengan Salinitas Berbeda,” Akuatika Indonesia., vol. 8, no. 1, p. 21, 2023, doi: 10.24198/jaki.v8i1.41435.
DOI: https://doi.org/10.24198/jaki.v8i1.41435
S. Cumel, David Zamri, Rahmaddeni, “Perbandingan Metode Data Mining untuk Prediksi Banjir dengan Algoritma Naïve Bayes dan KNN,” SENTIMAS Semin. Nas. Penelit. dan …, pp. 40–48, 2022, [Online]. Available:
doi : https://doi.org/10.47065/josyc.v5i1.4614
M. Yunus, H. Ramadhan, D. R. Aji, and A. Yulianto, “Penerapan Metode Data Mining C4.5 Untuk Pemilihan Penerima Kartu Indon[1] M. Yunus, H. Ramadhan, D. R. Aji, and A. Yulianto, ‘Penerapan Metode Data Mining C4.5 Untuk Pemilihan Penerima Kartu Indonesia Pintar (KIP),’ Paradig. - J. Komput. dan Inform., vol.,” Paradig. - J. Komput. dan Inform., vol. 23, no. 2, 2021.
Doi : https://doi.org/10.47065/josh.v5i4.5643
D. Tsalsabila Rhamadiyanti and Kusrini, “Analisa Performa Convolutional Neural Network dalam Klasifikasi Citra Apel dengan Data Augmentasi,” J. Kaji. Ilm. Inform. dan Komput., vol. 5, no. 1, pp. 154–162, 2024, doi: 10.30865/klik.v5i1.2023.
Doi : https://doi.org/10.30865/klik.v5i1.2023
A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput., vol. 7, no. 2, pp. 45–51, 2021, doi : https://doi.org/10.35329/jiik.v7i2.203
E. S. Utami, A. Wijayanti, & M. H. Qulubi, “Pola Pertumbuhan Dan Faktor Kondisi Ikan Kurisi (Nemipterus Japonicus) Di Perairan Labuhan Maringgai, Lampung,” J. Juvenil: Jurnal Ilmiah Kelautan dan Perikanan., vol 5, no 1, pp. 27-33, 2024,
DOI:https://doi.org/10.21107/juvenil.v5i1.24396.
R. Tabaika, “Analisis Morfometrik Dan Meristik Ikan Air Tawardi Danau Laguna Dan Danau Galela (Sebagai Bahan Ajar Mata Kuliah Zoologi Vertebrata),” J. Bionatural., vol. 9, no. 1, pp. 37-45, 2022, doi: ejournal.uncm.ac.id
I. I. M. Rizky, A. Y. Irianto, & Sriyanto, “Perbandingan Kinerja Algoritma Naive Bayes, Support Vector Machine dan Random forest untuk Prediksi Penyakit Ginjal Kronis,” Seminar Nasional Hasil Penelitian dan Pengabdian Masyarakat,” pp. 139-151, 2023,
https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/3832
Khodhijah, Sriyanto, R. A. Aziz, & Suhendro, “Perbandingan Kinerja Lima Algoritma Klasifikasi Dasar Untuk Prediksi Penyakit Jantung Classifier: Nb, Dtc4.5, Knn, Ann &Svm.” J. Jaringan Sistem Informasi Robotik, vol 8, no. 2, pp. 230-234, 2024,
doi: https://doi.org/10.58486/jsr.v8i2.
M. G. Choyyin, & H. W. Nugroho, “Perbandingan Optimalisasi Hasil Klasifikasi Menggunakan Pso Pada Algoritma C.45 Dan Cart (Studi kasus Prediksi Penyakit Stroke),” J. vol. 24, no. 1, pp. 26-32, 2024,
doi: https://doi.org/10.30873/ji.v24i1.4006.
B. Hakim, “Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning,” J. Journal of Business and Audit Information Systems, vol. 4, no. 2, pp. 16-22, 2021,
doi: http://dx.doi.org/10.30813/jbase.v4i2.3000.
R. Caesario, P. C. Delis, & D. Julian, “Struktur Ukuran, Tipe Pertumbuhan dan Faktor Kondisi Ikan Kembung Lelaki (Rastrelliger kanagurta) yang didaratkan Di Pelabuhan Perikanan Pantai Lempasing,” J. Akuatika Indonesia, vol.7, no. 2, pp. 87-92, 2022.
doi: https://doi.org/10.24198/jaki.v7i2.42018.
A. A. Arifiyanti, & E. D. Wahyuni, “Smote: Metode Penyeimbang Kelas Pada Klasifikasi Data Mining,” J. Trknologi Informasi dan Komunikasi, vol. 15 no. 1, pp. 34-39, 2020.
doi: https://doi.org/10.33005/scan.v15i1.1850.
S. P. Barus, “Penerapan Model Decision Tree pada Machine Learning untuk Memprediksi Calon Potensial Mahasiswa Baru,” J. Ikraith-Informatika, vol. 6, no. 2, pp. 59-62, 2022.
Doi:https://journals.upi-yai.ac.id/index.php/ikraith-informatika/issue/view/104.
B. G. Sudarsono, M. I. Leo, A. Sanotoso, & F Hendrawan, “Analisis Data Mining Data Netflix Menggunakan Aplikasi Rapid Miner,” J. Journal of Business and Audit Information Systems, vol. 4. No. 1, pp. 13-21, 2021.
doi: http://dx.doi.org/10.30813/jbase.v4i1.2729.
Article Metrics
Abstract View
PDF (Bahasa Indonesia)

DOI: 10.58486/jsr.v9i1.473
Refbacks
- There are currently no refbacks.