Klasifikasi Ikan Tuna Layak Ekspor Menggunakan Metode Convolutional Neural Network
Abstract
Penelitian ini bertujuan untuk menerapkan metode CNN untuk mengklasifikasikan ikan tuna layak ekspor berdasarkan dari mata ikan tuna. model yang digunakan adalah arsitektur VGG-16. Metode penelitian yang digunakan yaitu metode R&D (Research and Development) untuk menghasilkan produk tertentu dan menguji keefektifan produk tersebut. VGG16 merupakan model CNN yang memanfaatkan convolutional layer dengan spesifikasi convolutional filter yang kecil (3×3). Dengan ukuran convolutional filter tersebut, kedalaman neural network dapat ditambah dengan lebih banyak lagi convolutional layer. Berdasarkan hasil evalusi data test menggunakan tabel confusion matrix dengan objek uji sebanyak 55, dengan rincian 30 sampel tuna layak ekspor dan 25 sampel tuna tidak layak ekspor, diperoleh nilai akurasi sebesar 81.9%, nilai precision sebesar 79.4%, dan untuk nilai recall sebesar 90%.aspek yang mempengaruhi hasil akurasi yang diperoleh seperti jarak, posisi/ukuran gambar, Cahaya, serta Kualitas Gambar
Downloads
References
Giarsyani, N. (2020). Komparasi Algoritma Machine Learning dan Deep Learning untuk Named Entity Recognition : Studi Kasus Data Kebencanaan. Indonesian Journal of Applied Informatics, 4(2), 138. https://doi.org/10.20961/ijai.v4i2.41317
Lamasgi, Z. Y., Serwin, Lasena, Y., & Husdi. (2022). Identifikasi Tingkat Kesegaran Ikan Tuna. 2021, 1–76.
Moolayil, J. (2018). Learn Keras for Deep Neural Networks: A Fast-Track Approach to Modern Deep Learning with Python. In Learn Keras for Deep Neural Networks: A Fast-Track Approach to Modern Deep Learning with Python. https://doi.org/10.1007/978-1-4842-4240-7
Nabusa, Y. N. (2019). Pengolahan Citra Digital Perbandingan Metode Histogram Equalization Dan Spesification Pada Citra Abu-Abu. J-Icon, 7(1), 87–95.
Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. Jurnal Sains Komputer & Informatika (J-SAKTI, 5(2), 697–711.
Nugroho, P. A., Fenriana, I., & Arijanto, R. (2020). Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia. Algor, 2(1), 12–21.
Pravitasari, A. A., Iriawan, N., Almuhayar, M., Azmi, T., Irhamah, Fithriasari, K., Purnami, S. W., & Ferriastuti, W. (2020). UNet-VGG16 with transfer learning for MRI-based brain tumor segmentation. Telkomnika (Telecommunication Computing Electronics and Control), 18(3), 1310–1318. https://doi.org/10.12928/TELKOMNIKA.v18i3.14753
Ramadhan, M., Mulyana, D. I., & Yel, M. B. (2022). Optimasi Algoritma CNN Menggunakan Metode Transfer Learning Untuk Klasifikasi Citra X-Ray Paru-Paru Pneumonia dan Non-Pneumonia. Jurnal Teknik Informatika Kaputama (JTIK), 6(2), 670–6679. http://jurnal.kaputama.ac.id/index.php/JTIK/article/view/883
Rismiyati, R., & Luthfiarta, A. (2021). VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification. Telematika, 18(1), 37. https://doi.org/10.31315/telematika.v18i1.4025
Shilvina Widi. (2022). Indonesia Produksi Ikan Tuna Sebanyak 358.626 Ton pada 2021. Dataindonesia.Id. https://dataindonesia.id/agribisnis-kehutanan/detail/indonesia-produksi-ikan-tuna-sebanyak-358626-ton-pada-2021
Winiarti, S., Indikawati, F. I., Oktaviana, A., & Yuliansyah, H. (2020). Consumable Fish Classification Using k-Nearest Neighbor. IOP Conference Series: Materials Science and Engineering, 821(1). https://doi.org/10.1088/1757-899X/821/1/012039
JISTI
