Klasifikasi Citra Karang Menggunakan Support Vector Machine dengan Ekstraksi Fitur Gray Level Co-occurrence Matrix

Abstract

Karang adalah komponen utama terumbu karang yang membentuk ekosistem laut yang memiliki peran penting dalam menjaga keanekaragaman hayati dan ekologi laut. Keberadaan terumbu karang sedang menghadapi resiko yang sangat besar akibat adanya ancaman seperti pencemaran lingkungan, penggunaan alat tangkap yang merusak, spesies invasif dan juga perubahan iklim yang menyebabkan pemutihan massal dengan resiko kematian yang tinggi mencapai 95%. Di sisi lain dibutuhkan pemantantauan secara teratur dan intervensi tepat waktu untuk mencegah kepada dampak yang lebih serius. Penelitian ini mengusulkan metode baru untuk klasifikasi citra karang menggunakan Support Vector Machine (SVM) dengan ekstraksi fitur menggunakan Gray Level Co-occurrence Matrix (GLCM). Selain itu penelitian ini juga bertujuan untuk mengkaji pengaruh oversampling dan seleksi fitur untuk meningkatkan akurasi model. Studi ini dilaksanakan di perairan Kabupaten Kepulauan Sangihe, dimana citra karang dikumpulkan menggunakan teknik snorkeling dan diving. Selanjutnya citra dilabeli oleh ahli terumbu karang untuk memastikan integritas data benar sesuai kondisi yang sebenarnya yaitu sehat, tidak sehat dan mati. Pra- pemrosesan dilakukan untuk meningkatkan kualitas citra yang meliputi pemotongan, penghilangan background, penajaman dan normalisasi ukuran citra 227 x 227 piksel. Ekstraksi fitur GLCM yang melibatkan analisis tekstur citra berdasarkan intensitas piksel dalam jarak (1, 2 dan 3 piksel) dan arah (0?, 45?, 90? dan 135?). Hasil ekstraksi fitur GLCM yang dihasilkan digunakan sebagai input untuk model SVM. Kernel SVM yang digunakan yaitu Linear, Radial Basis Function dan Polynomial yang melibatkan berbagai parameter yaitu C, gamma, degree dan coef0 yang diatur dalam grid. Pelatihan dan pengujian melibatkan data latih dan data uji dengan rasio 80:20. Dalam hal pengoptimalan model penelitian ini melakukan pendekatan dengan teknik oversampling dan seleksi fitur seperti seleksi fitur dengan boxplot, analisis korelasi dan seleksi fitur berdasarkan model. Hasil penelitian menunjukkan kernel Polynomial tiga parameter dengan C=10, degree=3, dan gamma=1 memberikan performa klasifikasi terbaik, mencapai akurasi sebesar 91.85%, presisi tinggi, dan recall yang memuaskan di semua kategori citra karang. Oversampling data meningkatkan akurasi performa model sebesar 2,17%. Sedangkan seleksi fitur dengan boxplot terjadi penurunan sebesar 0,8%, seleksi fitur berdasarkan model sebesar 0,2%. Pada seleksi fitur dengan analisis korelasi terjadi penurunan signifikan sebesar 16,11%. Temuan ini memberikan kontribusi signifikan bagi upaya konservasi terumbu karang, menawarkan dasar yang kuat untuk pengembangan solusi pemantauan yang lebih efektif dan efisien dengan mengintegrasikan pada sistem IoT.

Corals are the main component of coral reefs that form marine ecosystems that have an important role in maintaining biodiversity and marine ecology. Coral reefs are at great risk due to threats such as environmental pollution, the use of destructive fishing gear, invasive species, and climate change that cause mass bleaching with a high mortality risk of up to 95%. Regular monitoring and timely intervention are needed to prevent more serious impacts. This research proposes a new method for coral image classification using Support Vector Machine (SVM) with feature extraction using Gray Level Co- occurrence Matrix (GLCM). In addition, this study also aims to examine the effect of oversampling and feature selection to improve model accuracy. This study was conducted in the waters of Sangihe Islands Regency, where coral images were collected using snorkeling and diving techniques. Furthermore, the images were labeled by coral reef experts to ensure the integrity of the data is correct according to the actual condition of healthy, unhealthy and dead. Pre-processing was done to improve the image quality which includes cropping, background removal, sharpening and normalizing the image size of 227 x 227 pixels. GLCM feature extraction involves image texture analysis based on pixel intensity in distance (1, 2 and 3 pixels) and direction (0?, 45?, 90? and 135?). The resulting GLCM feature extraction results are used as input for the SVM model. The SVM kernels used are Linear, Radial Basis Function and Polynomial which involve various parameters namely C, gamma, degree and coef0 which are set in a grid. Training and testing involves training data and test data with a ratio of 80:20. In terms of model optimization, this study approaches the oversampling technique and feature selection such as feature selection with boxplot, correlation analysis and feature selection based on the model. The results showed that the three-parameter Polynomial kernel with C=10, degree=3, and gamma=1 provided the best classification performance, achieving 91.85% accuracy, high precision, and satisfactory recall in all coral image categories. Oversampling the data increased the accuracy of the model performance by 2.17%. While feature selection by boxplot decreased by 0.8%, feature selection based on the model by 0.2%. In feature selection by correlation analysis there was a significant decrease of 16.11%. These findings make a significant contribution to coral reef conservation efforts, offering a solid foundation for the development of more effective and efficient monitoring solutions by integrating on IoT systems.