Sistem Identifikasi Kesegaran Ikan Berbasis Android Menggunakan Convolutional Neural Network (CNN)

  • Justam Justam Universitas Mega Buana Palopo
  • Muh. Nashir Takbir Universitas Mega Buana Palopo
  • Sitti Mawaddah Umar Politeknik Kesehatan megarezky
  • Erlita Erlita Institut Teknologi Pendidikan dan Bisnis (ITPB) Qana'ah Sidenreng Rappang
  • Revah Oktria Lewa Universitas Mega Buana Palopo

Abstract

Ikan merupakan sumber protein hewani penting dengan kandungan vitamin dan mineral esensial yang tinggi. Sebagai negara kepulauan, Indonesia memiliki potensi perikanan yang besar, namun masih banyak masyarakat yang kesulitan membedakan ikan segar dan tidak segar. Penelitian ini mengembangkan sistem berbasis Android untuk mengidentifikasi kesegaran ikan menggunakan Convolutional Neural Network (CNN). Model dilatih dengan 540 sampel gambar dalam tiga kategori (segar, baik, dan tidak layak) dengan resolusi 256 × 256 piksel RGB. CNN yang digunakan terdiri dari tiga lapisan konvolusi dan dua fully connected layer, dengan optimizer Adam dan fungsi aktivasi ReLU serta Softmax. Model dilatih di Google Colaboratory, lalu dikonversi ke TensorFlow Lite untuk diterapkan pada Android. Hasil pengujian menunjukkan akurasi 98% pada data uji dan 96,67% pada aplikasi Android dengan 60 sampel baru, membuktikan sistem mampu berfungsi dengan baik dalam mengidentifikasi kesegaran ikan

Downloads

Download data is not yet available.

References

Ailima. (2022, April 13). Splitting Dataset in Machine Learning. https://ailima.co.id/training-validation-testing-dataset/
Arrofiqoh, E.N. and Harintaka, H., 2018. Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi. Geomatika, 24(2), pp.61-68.
Brownlee, Jason. (2018, Mei 23). A Gentle Introduction to k-fold Cross-Validation. https://machinelearningmastery.com/k-fold-cross-validation/
Carey, B. (2019, March 22). Can we get better at forgetting? Retrieved from https Abadi, M., dkk. 2016. Tensorflow: A system for large-scale machine learning. Symposium on Operating Systems Design and Implementation (pp. 265–283).
Dahria, Muhammad. 2008. Kecerdasan Buatan (Artificial Intelligence). Jurnal Saintikom, 5(2), pp.185-197.
Dewi, Putu Febrina Ambara, dkk. 2018. “Pengetahuan Ibu tentang Ikan dan Pola Konsumsi Ikan pada Balita di Desa Kodongan Kabupaten Badung”. Jurnal Ilmu Gizi, vol. 7 No.1
Duckworth, A. L., Quirk, A., Gallop, R., Hoyle, R. H., Kelly, D., & Matthews, M. D. (2019). Cognitive and noncognitive predictors of success. Proceedings of the National Academy of Sciences, 116(47), pp. 23499–23504. USA. doi:https://doi.org/10.1073/pnas.1910510116
Gardy, J. S., Her, M., Moreno, G., Perez, C., & Yelinek, J. (2019). Emotions in storybooks: A comparison of storybooks that represent ethnic and racial groups in the United States. Psychology of Popular Media Culture, 8(3), 207-217. doi:https://doi.org/10.1037/ppm0000185
Harris, L. (2014). Instructional leadership perceptions and practices of elementary school leaders [Unpublished doctoral dissertation]. University of Virginia
Jauhari, A. Fuad. 2022. “Klasifikasi Jenis Beras Menggunakan Metode Convolutional Neural Network Pada Arsitektur Mobilenet”. Skripsi. Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim, Malang.
Kim, J., dkk. 2016. Convolutional neural network with biologically inspired retinal structure. Procedia Computer Science, 88, pp.145-154.
Kholik, A. 2021. Klasifikasi Menggunakan Convolutional Neural Network (CNN) Pada Tangkapan Layar Halaman Instagram. Jurnal Data Mining dan Sistem Informasi, 2(2), pp.10-20.
Kushilevitz, E., & Malkin, T. (2016). Lecture notes in computer science: Vol. 9562. Theory of cryptography. Springer. doi:https://doi.org/10.1007/978-3-662-49096-9
Nugroho, P.A., dkk. 2020. Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia. Algor, 2(1), pp.12-20.
Peryanto, A., Yudhana, A., & Umar, R. 2020. Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation. Journal of Applied Informatics and computing, 4(1), 45-51.
Prameswari, G.N., 2018. Promosi gizi terhadap sikap gemar makan ikan pada anak usia sekolah. JHE (Journal of Health Education), 3(1), pp.1-6.
Sianturi, Christian Immanuel. 2021. “Identifikasi Kesegaran Ikan Menggunakan Metode Convolutional Neural Network (CNN)”. Skripsi. Program Studi Teknologi Informasi Universitas Sumatera Utara, Medan.
Suprayitno, Eddy. 2020. “Kajian Kesegaran Ikan di Pasar Tradisional dan Modern Kota Malang”. Journal of Fisheries and Marine Research Vol. 4 No. 2 (2020) 289-295
Syarif, Ahmad Kurniawan. 2021. “Sistem Klasifikasi Penyakit Tanaman Cabai Menggunakan Metode Deep Learning Dengan Library Tensorflow Lite”. Skripsi. Departemen Teknik Informasika Universitas Hasanuddin, Makassar
Published
2024-10-30
How to Cite
JustamJ., TakbirM. N., UmarS. M., ErlitaE., & LewaR. O. (2024). Sistem Identifikasi Kesegaran Ikan Berbasis Android Menggunakan Convolutional Neural Network (CNN). Jurnal Ilmiah Sistem Informasi Dan Teknik Informatika (JISTI), 7(2), 340-350. https://doi.org/10.57093/jisti.v7i2.271