Electronic Theses and Dissertation

Mendeteksi masalah potensial dalam klasifikasi citra air yang diambil dengan kamera biasa adalah tugas yang menantang karena kemiripan visual antara setiap kelas, fitur tekstur kontras yang rendah, akuisisi citra dengan sudut dan penempatan kamera yang berbeda, dan adanya masalah objek lain. Penelitian ini akan melakukan identifikasi dan klasifikasi warna badan air otomatis dengan pendekatan Two-Stage Convolutional Neural Network (CNN). Proses diawali dengan teknik preprocessing data menggunakan kombinasi algoritma K-Means Clustering dan CIEDE2000, yang berhasil mengurangi data tidak relevan dan memperjelas decision boundary antar kelas. Pendekatan ini memungkinkan proses klasifikasi warna air dilakukan dengan lebih akurat. Arsitektur Two-Stage CNN yang dikembangkan terdiri dari dua tahap klasifikasi dengan hyperparameter learning rate 0,0001, batch size 32, dan jumlah layer yang berbeda pada masing-masing model. Tahap pertama mengelompokkan data ke dalam lima kelas utama (superkelas): A, B, C, D, dan E, dengan tingkat akurasi 91%. Pada tahap kedua, setiap kelas utama diklasifikasikan lebih lanjut menjadi beberapa kelas turunan (subkelas) sesuai skala Forel-Ule. Kelas A terdiri dari 5 kelas turunan (skala 1-5) dengan akurasi 89%, kelas B terdiri dari 4 kelas turunan (skala 6-9) dengan akurasi 89%, kelas C terdiri dari 4 kelas turunan (skala 10-13) dengan akurasi 87%, kelas D terdiri dari 4 kelas turunan (skala 14-17) dengan akurasi 78%, dan kelas E terdiri dari 4 kelas turunan (skala 18-21) dengan akurasi 80%. Hasil penelitian menunjukkan bahwa metode Two-Stage CNN ini efektif dalam membedakan data secara rinci pada dataset multikelas dan dapat diandalkan untuk analisis warna air alami secara lebih spesifik.

Detecting potential problems in the classification of water images taken with ordinary cameras is a challenging task due to the visual similarity between each class, low contrast texture features, image acquisition with different camera angles and placements, and the presence of other object problems. This research will perform automatic identification and classification of water body colors with a Two-Stage Convolutional Neural Network (CNN) approach. The process begins with a data preprocessing technique using a combination of K-Means Clustering and CIEDE2000 algorithms, which effectively reduce irrelevant data and enhance the clarity of decision boundaries between classes. This approach allows the water color classification process to be performed more accurately. The developed Two-Stage CNN architecture consists of two classification stages with hyperparameter learning rate 0.0001, batch size 32, and a different number of layers in each model. The first stage classifies the data into five main classes (superclass): A, B, C, D, and E, with accuracy 91%. In the second stage, each main class is further classified into several subclasses according to the Forel-Ule scale. Class A consists of five subclasses (scale 1-5) with accuracy 89%, class B consists of four subclasses (scale 6-9) with accuracy 89%, class C consists of four subclasses (scale 10-13) with accuracy 87%, class D consists of four subclasses (scale 14-17) with accuracy 78%, and class E consists of four subclasses (scale 18-21) with accuracy 80%. The results show that the Two-Stage CNN method is effective in distinguishing data in detail on multi-class datasets and can be relied upon for more specific natural water color analysis.