IMPLEMENTASI DEEP LEARNING DALAM KLASIFIKASI CITRA IKAN MENGGUNAKAN ALGORITME CONVOLUTIONAL NEURAL NETWORK (CNN)

• Main Author: Faraz Herviansyah, - (Author)
• Format: Book
• Published: 2023-07-24.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/104655/1/S_SIK_1903028_Tittle.pdf; http://repository.upi.edu/104655/2/S_SIK_1903028_Chapter1.pdf; http://repository.upi.edu/104655/3/S_SIK_1903028_Chapter2.pdf; http://repository.upi.edu/104655/4/S_SIK_1903028_Chapter3.pdf; http://repository.upi.edu/104655/5/S_SIK_1903028_Chapter4.pdf; http://repository.upi.edu/104655/6/S_SIK_1903028_Chapter5.pdf; http://repository.upi.edu/104655/7/S_SIK_1903028_Appendix.pdf
• Keywords: L Education (General)

Pengelolaan perikanan adalah hal yang sangat penting bagi masyarakat pesisir. Salah satu teknik yang mendukung pengelolaan perikanan adalah proses identifikasi. Permasalahan di sektor kelautan dalam proses identifikasi biota laut menjadi tantangan tersendiri mengingat banyaknya jenis dari biota itu sendiri. Penelitian ini mengusulkan menggunakan Convolutional Neural Network (CNN) yang merupakan algoritme deep learning untuk klasifikasi data citra secara otomatis. Data yang digunakan dalam penelitian ini adalah data citra ikan yaitu Leiognathidae dan Sardinella. CNN adalah algoritma dengan arsitektur yang terdiri dari convolution layer, pooling layer, flatten layer, dan dense layer. Hasil pemodelan kemudian dilakukan dengan melakukan model evaluasi yang bertujuan untuk mendapatkan performa model menggunakan matriks accuracy, precision, dan recall. Hasil penelitian ini adalah model dengan akurasi baik, ditunjukkan dengan akurasi yang meningkat dan loss menurun seiring bertambahnya epoch, menunjukkan peningkatan dalam prediksi model. Pada epoch ke-19 dan ke-20, model mencapai akurasi 100% pada training dan validasi. Kesimpulannya yang dapat diambil adalah model memiliki performa yang sangat baik dengan dibuktikan akurasi tinggi. Fisheries management is crucial for coastal communities. One of the techniques that supports fisheries management is the process of identification. The identification of marine organisms poses a significant challenge in the marine sector due to the wide variety of species. This research proposes the use of Convolutional Neural Network (CNN), which is a deep learning algorithm, for automatic image data classification. The data used in this study consists of images of Leiognathidae and Sardinella fish. CNN is an algorithm with an architecture that includes convolution layers, pooling layers, flatten layers, and dense layers. The modeling results are then evaluated to assess the model's performance using accuracy, precision, and recall matrices. The findings of this research indicate that the model achieves good accuracy, as evidenced by the increasing accuracy and decreasing loss with each epoch, demonstrating improvement in the model's predictions. At epochs 19 and 20, the model reaches 100% accuracy in training and validation. In conclusion, the model exhibits excellent performance, as supported by its high accuracy.