Perbandingan Kinerja YOLO vs Faster R-CNN untuk Deteksi & Estimasi Berat Ikan

  • Justam Justam Universitas Mega Buana Palopo
  • Abdul Malik Universitas Mega Buana Palopo
  • Erlita Erlita Institut Teknologi Pendidikan dan Bisnis (ITPB) Qana'ah Sidenreng Rappang
  • Deo Mangellak Universitas Mega Buana Palopo
  • Yuyun Yuyun Universitas Mega Buana Palopo

Abstract

Ikan kerapu dan ikan kakap memiliki nilai ekonomi tinggi di pasar global, sehingga identifikasi jenis dan estimasi beratnya menjadi aspek penting dalam perdagangan. Metode manual yang umum digunakan memerlukan waktu lama dan tenaga kerja besar. Oleh karena itu, penelitian ini membandingkan performa dua model deep learning, yaitu YOLO dan Faster R-CNN, dalam mendeteksi jenis dan mengestimasi berat ikan. Dataset terdiri dari 2.991 citra yang terbagi dalam 18 kelas dan diperluas melalui augmentasi menjadi 6.843 citra. Proses deteksi menggunakan detection threshold 0,8, dengan evaluasi berdasarkan precision, recall, accuracy, serta Mean Absolute Percentage Error (MAPE) untuk estimasi berat. Hasil menunjukkan bahwa model YOLO memiliki precision, recall, dan accuracy masing-masing sebesar 0,98, 0,98, dan 0,96, sedangkan Faster R-CNN mencapai 0,97, 0,98, dan 0,95. Untuk estimasi berat, MAPE YOLO pada citra sebesar 2,42% dan pada video 3,66%, sementara Faster R-CNN memiliki MAPE 14,62% pada citra dan 13,59% pada video. Dengan demikian, model YOLO menunjukkan kinerja lebih baik dibandingkan Faster R-CNN dalam mendeteksi jenis dan mengestimasi berat ikan

Downloads

Download data is not yet available.

References

Anderson, W. D. (1967). A review of the Lutjanidae, a family of snappers. Bulletin of Marine Science, 17(4), 902-985.

Bashir, R. H., Ali, M. A., Ullah, A., & Ahmed, M. (2019). Aquaculture development and its role in global food security: A review. Journal of Fisheries and Aquatic Sciences, 10(2), 85-97. https://doi.org/xxxx

Chatla, S., Rajan, R. P., & Kizhakudan, J. K. (2019). A review on groupers (Family: Serranidae) with special reference to their fishery, biology and aquaculture potential in India. Indian Journal of Fisheries, 66(3), 5-19. https://doi.org/xxxx

Craig, M. T., & Hastings, P. A. (2007). A molecular phylogeny of the groupers (Serranidae: Epinephelinae) with a revised classification of the Epinephelini. Ichthyological Research, 54(1), 1-17. https://doi.org/xxxx

Darwin, M., Wahyu, I., & Saputra, A. (2020). Habitat and distribution of groupers in Indonesian waters: A review. Indonesian Journal of Marine Science, 15(2), 78-89.

Ding, S., Liu, M., & Zhang, X. (2006). Morphological diversity and identification challenges in the genus Epinephelus (Serranidae: Epinephelinae). Journal of Fish Biology, 68(3), 925-937.

Fernandes, A. F., Soares, F. M., & Rocha, L. M. (2020). Image processing techniques for fish species identification and weight estimation. International Journal of Computer Vision and Image Processing, 8(1), 45-62. https://doi.org/xxxx

Ningsih, T. (2015). Karakteristik morfologi ikan kerapu Epinephelus spp. di Perairan Indonesia. Jurnal Perikanan dan Kelautan, 7(2), 56-63.

Zainuddin, Zahir. "Detection and Counting of the Number of Cocoa Fruits on Trees Using UAV." 2023 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT). IEEE, 2023.

Oktaviyani, R. (2018). Analisis potensi perikanan kakap di Indonesia: Studi kasus perikanan tangkap di perairan tropis. Jurnal Sumber Daya Perikanan, 5(1), 45-59.

Saha, S., Chanda, A., & Basu, S. (2018). Comparative analysis of Lutjanidae fish species: Distribution, biology, and ecological significance. Marine Ecology Research, 12(4), 213-225.
Published
2024-10-30
How to Cite
JustamJ., MalikA., ErlitaE., MangellakD., & YuyunY. (2024). Perbandingan Kinerja YOLO vs Faster R-CNN untuk Deteksi & Estimasi Berat Ikan. Jurnal Ilmiah Sistem Informasi Dan Teknik Informatika (JISTI), 7(2), 363-376. https://doi.org/10.57093/jisti.v7i2.273