Skripsi/Tugas Akhir

Implementasi Convolutional Neural Network untuk Mengidentifikasi Citra dan Kesegaran pada Spesies Ikan Layang, Kakap dan Baronang

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Indonesia memiliki banyak spesies ikan khususnya spesies ikan laut. Banyaknya keberagaman spesises ikan laut, menghadapi tantangan dalam identifikasi citra dan penilaian kesegaran ikan. Penelitian ini menggunakan sistem deteksi objek berbasis Convolutional Neural Network (CNN) sebgai satu jawaban atas permasalahan dalam mengidentifikasi citra dan kesegaran pada ikan, yang dimana sistem ini menggunakan proses cropping data, penambahan border, dan augmentasi data menggunakan data latih dan data validasi, serta menggunakan arsitektur model ResNet50 dan mengcompile model untuk mengoptimasi model agar mengurangi nilai prediksi loss (error) dan meningkatkan prediksi akurasi dalam mengidentifikasi jenis ikan, seperti layang, kakap, dan baronang, serta menilai kesegaran dengan memperhatikan ciri-ciri fisik. Hasil penelitian menunjukkan tingkat akurasi yang baik, mencapai 81,8% untuk 22 citra dan 75% untuk 12 citra yang diuji. Sistem ini diharapkan dapat meningkatkan manajemen perikanan, mendukung praktik berkelanjutan, dan berkontribusi pada pertumbuhan ekonomi nasional melalui sektor kelautan dan perikanan.
Kata Kunci: Spesies Ikan, Convolutional Neural Network, Sistem Deteksi Objek, Mengidentifikasi, Akurasi

ABSTRACT
Indonesia has a plethora of fish species, particularly marine species. The diversity of marine fish poses challenges in image identification and assessing fish freshness. This research employs a Convolutional Neural Network (CNN)-based object detection system as a solution to the issues in identifying images and evaluating fish freshness. The system involves data cropping, border addition, and data augmentation using training and validation data. It utilizes the ResNet50 model architecture and compiles the model to optimize it, reducing prediction loss and enhancing accuracy in identifying fish types such as mackerel, snapper, and rabbitfish. The freshness assessment considers physical characteristics. The research results indicate a high accuracy level, reaching 81.8% for 22 tested images and 75% for 12 images. This system is expected to enhance fisheries management, support sustainable practices, and contribute to national economic growth through the maritime and fisheries sector.
Keywords: Fish Species, Convolutional Neural Network, Object Detection System, Identification, Accuracy

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 24-49 BUN i - 0644TI

Penerbit

Makassar : Universitas DIPA., 2024

Deskripsi Fisik

xiii + 81 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 24-49

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 24 Februari 2024

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network
Object Detection System

Lampiran File