PENERAPAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS MOBILENETV2 UNTUK KLASIFIKASI TINGKAT KESEGARAN IKAN NILA
DOI:
https://doi.org/10.23960/jitet.v13i3.6744Abstract Views: 193 File Views: 150
Abstract
Ikan nila (Oreochromis niloticus) merupakan salah satu komoditas perikanan bernilai ekonomi tinggi yang banyak dikonsumsi masyarakat Indonesia. Namun, ikan termasuk produk mudah rusak jika tidak ditangani dengan baik. Tingkat kesegaran ikan menjadi parameter penting dalam penentuan mutu dan harga jual, tetapi penilaian secara manual cenderung subjektif. Penelitian ini bertuuan mengembangkan sistem otomatis untuk mendeteksi tingkat kesegaran ikan nila menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan CRISP-DM. Dataset terdiri dari 6.889 citra mata, kulit, dan insang ikan nila yang diperoleh dari Kaggle dan sumber data pribadi. Pengolahan data meliputi resize, normalisasi, dan augmentasi citra. Model dibangun dengan arsitektur MobileNetV2, diikuti GlobalAveragePooling2D, dense layer, dan aktivasi sigmoid sebagai output layer. Pelatihan dilakukan dalam dua tahap, pretaining dan fine-tuning. Hasil menunjukkan akurasi sebesar 99,39% pada data latih dan 100% pada validasi di tahap pretraining, serta akurasi sebesar 99,36% pada data latih dan 100% pada validasi di tahap fine-tuning. Evaluasi menggunakan Confusion Matrix menghasilkan akurasi, presisi, recall, F1-Score sebesar 95% pada threshold 0.4. Model CNN yang dikembangkan terbukti efektif dan dapat digunakan sebagai sistem pendukung keputusan dalam penilaian mutu produk perikanan.Downloads
References
C. Cakra, S. Syarif, H. Gani, dan A. Patombongi, “Analisis Kesegaran Ikan Mujair Dan Ikan Nila Dengan Metode Convolutional Neural Network,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 7, no. 2, hal. 74–79, 2022, doi: 10.51876/simtek.v7i2.138.
Pirmansyah Pirmansyah, Novita MZ, dan Arif Supendi, “Efektivitas Pencampuran Ekstrak Daun Kelor (Moringa Oleifera) yang Difermentasi Menggunakan Aspergillus Niger pada Pakan Buatan Terhadap Laju Pertumbuhan Ikan Nila (Oreochromis Niloticus),” Manfish J. Ilm. Perikan. dan Peternak., vol. 2, no. 2, hal. 154–165, 2024, doi: 10.62951/manfish.v2i2.60.
F. R. Safsafubun, S. L. Undap, I. R. N. Salindeho, N. P. L. Pangemanan, W. J. Ch., dan H. Pangkey, “Fluktuasi Parameter Kualitas Air dan Perkembangan Flok Pada Budidaya Ikan Nila (Oreochromis Niloticus) Dengan Sistem Bioflok di BPBAT Telelu,” Budid. Perair., vol. 11, no. 2, hal. 213–226, 2023, doi: 10.14341/cong23-26.05.23-39.
Kementerian Kelautan dan Perikanan, “No Title,” 2024, 2024. https://kkp.go.id/news/news-detail/melihat-budidaya-ikan-nila-salin-yang-diresmikan-presiden-jokowi.html.
Badan Standarisasi Nasional, “Ikan Segar,” 2013. https://jp2gi.org/public/docs/report/Standar Nasional Indonesia Ikan Segar-5ef96833e811d.pdf.
S. Suprianto, D. S. Lestari, dan O. H. Simung, “Aplikasi Penentuan Kesegaran Ikan Bandeng Menggunakan Metode Convolution Neural Network,” Insect (Informatics Secur. J. Tek. Inform., vol. 8, no. 2, hal. 77–86, 2023, doi: 10.33506/insect.v8i2.2196.
C. R. Gunawan, N. Nurdin, dan F. Fajriana, “Deteksi Ikan Segar Secara Realtime dengan YOLOv4 menggunakan Metode Convolutional Neural Network,” J. Komtika (Komputasi dan Inform., vol. 7, no. 1, hal. 1–11, 2023, doi: 10.31603/komtika.v7i1.8986.
R. Faurina dan R. Mahendra, “Fish Freshness Prediction With Cnvolutional Neural Network Method Based on Fish Eye Image Analysis,” J. Tek. Inform., vol. 5, no. 3, hal. 883–890, 2024.
S. Saputra dkk., “Identifikasi Kesegaran Ikan Menggunakan Algoritma KNN Berbasis Citra Digital,” vol. 10, no. 1, hal. 1–9, 2022, doi: 10.32832/kreatif.v10i1.6845.
V. T. Deco, A. Nilogiri, dan Q. A’yun, “Klasifikasi Kesegaran Ikan Lemuru Berdasarkan Citra Mata Menggunakan Metode Convolutional Neural Network,” J. Apl. Sist. …, vol. 3, no. 1, hal. 14–25, 2021, [Daring]. Tersedia pada: http://jurnal.unmuhjember.ac.id/index.php/JASIE/article/view/9159.
R. Windiawan dan A. Suharso, “Identifikasi Penyakit pada Daun Kopi Menggunakan Metode Deep Learning VGG16,” Exploreit, vol. 13, no. 2, hal. 9–16, 2021, [Daring]. Tersedia pada: https://doi.org/10.35891/explorit.
H. A. Pratiwi, M. Cahyanti, dan M. Lamsani, “Implementasi Deep Learning Flower Scanner Menggunakan Metode Convolutional Neural Network,” Sebatik, vol. 25, no. 1, hal. 124–130, 2021, doi: 10.46984/sebatik.v25i1.1297.
E. H. Pujiarini dan F. N. Lenti, “Convolution Neural Network Untuk Identifikasi Tingkat Kesegaran Ikan Nila Berdasarkan Perubahan Warna Mata,” J. Khatulistiwa Inform., vol. 11, no. 1, hal. 21–25, 2023, doi: 10.31294/jki.v11i1.14305.
Z. L. R. Nafi dan M. S. Hidayatullah, “Deteksi Kesegaran Ikan Nila Menggunakan Convolutional Neural Networks Berbasis Citra Digital,” JIMU J. Ilm. Multi Disiplin, vol. 02, no. 03, hal. 608–615, 2024.
V. A. Aldianto, “Tingkat Kesegaran Ikan,” AGROTERAP J. Agroindustri dan Agribisnis, vol. 1, no. 1, hal. 1–14, 2022, doi: https://doi.org/10.30996/agro.v1i1.8590.
M. Mardiani, “Identifikasi Kesegaran Ikan dengan Metode Convolutional Neural Network Berbasis Android,” Universitas Hasanuddin, 2023.
M. Sholihin, M. R. Zamroni, dan B. Burhanuddin, “Identifikasi Kesegaran Ikan Berdasarkan Citra Insang dengan Metode Convolution Neural Network,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, hal. 1352–1360, 2021, doi: 10.35957/jatisi.v8i3.939.
M. A. Mulya dan Z. Arif, “Journal of Computer Science and Technology Tinjauan Pustaka Sistematis : Penerapan Metode Gabor Wavelet Pada Computer Vision,” vol. 1, hal. 83–88, 2023.
D. S. Ariansyah dan D. S. Ariansyah, “Pendeteksi Kata Dalam Bahasa Isyarat Menggunakan Algoritma Yolo Versi 8,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4904.
J. Nurhakiki dan Y. Yahfizham, “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” J. Pendidik. Berkarakter, vol. 2, no. 1, hal. 270–281, 2024, [Daring]. Tersedia pada: https://doi.org/10.51903/pendekar.v2i1.598.
M. Christiawan, L. W. Santoso, dan D. H. Setiabudi, “Deteksi Tingkat Kesegaran Ikan Menggunakan Metode Convolutional Neural Network Dengan Parameter Mata dan Warna Insang,” J. Infra, vol. 9, no. 2, hal. 213–219, 2021.
R. Bagaskara, A. Khairunnisa Rizkita, R. Fernandes, dan W. Yulita, “Pendeteksian Jumlah Bangunan Berbasis Citra Menggunakan Metode Deep Learning,” J. Sains Komput. Inform. (J-SAKTI, vol. 6, no. 1, hal. 94–100, 2022.
I. F. Annur, J. Umami, M. N. Annafii, N. Trisnaningrum, dan O. V. Putra, “Klasifikasi Tingkat Keparahan Penyakit Leafblast Tanaman Padi Menggunakan MobileNetv2,” Fountain Informatics J., vol. 8, no. 1, hal. 7–14, 2023, doi: 10.21111/fij.v8i1.9419.
I. Guntoro, D. M. Midyanti, dan R. Hidayati, “Penerapan Dropout Pada Jaringan Saraf Tiruan Backpropagation Dalam Mengklasifikasi Tingkat Fine Fuel Moisture Code (Ffmc) Untuk Kebakaran Hutan Dan Lahan,” Coding J. Komput. dan Apl., vol. 10, no. 01, hal. 114, 2022, doi: 10.26418/coding.v10i01.52734.
D. F. Ningtyas dan N. Setiyawati, “Implementasi Flask Framework pada Pembangunan Aplikasi Purchasing Approval Request,” J. Janitra Inform. dan Sist. Inf., vol. 1, no. 1, hal. 19–34, 2021, doi: 10.25008/janitra.v1i1.120.
D. A. Saputra, I. Istiadi, dan A. Y. Rahman, “Deteksi Kesegaran Ikan Layur Berdasarkan Citra Mata Menggunakan YOLOV8,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, hal. 10263–10270, 2024.
P. A. Nugroho, I. Fenriana, dan R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, hal. 12–21, 2020.
N. J. Hayati, D. Singasatia, dan M. R. Muttaqin, “Object Tracking Menggunakan Algoritma You Only Look Once (YOLO)v8 untuk Menghitung Kendaraan,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 2, hal. 91–99, 2023, doi: 10.34010/komputa.v12i2.10654.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Informatika dan Teknik Elektro Terapan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
