Pengembangan Klasifikasi Jenis Ikan Menggunakan Model Convolutional Neural Network dengan Arsitekture MobileNet

Junaidi, Muhammad (2025) Pengembangan Klasifikasi Jenis Ikan Menggunakan Model Convolutional Neural Network dengan Arsitekture MobileNet. Diploma thesis, Universitas Islam Indragiri.

	Text awal.pdf Download (531kB)
	Text Bab 1.pdf Download (105kB)
	Text Bab 2.pdf Download (127kB)
	Text Bab 3.pdf Download (240kB)
	Text Bab 4.pdf Restricted to Repository staff only Download (1MB)
	Text Bab 5 .pdf Download (94kB)
	Text Akhir.pdf Download (742kB)
	Text cek turnitin Muhammad Junaidi.pdf Restricted to Repository staff only Download (17MB)

Abstract

Klasifikasi citra merupakan aspek krusial dalam pengolahan citra digital dengan aplikasi yang luas dalam berbagai bidang, termasuk perikanan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi spesies ikan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 yang dioptimasi melalui teknik augmentasi data yaitu Color Jitter dan Random Rotation. Permasalahan utama yang dibahas adalah penurunan akurasi klasifikasi yang disebabkan oleh kondisi pencahayaan yang tidak stabil, sudut yang tidak standar, dan kualitas citra yang bervariasi. Dataset terdiri dari empat kelas ikan hias, yaitu Fighting Fish (Ikan Cupang), Goldfish (Ikan Mas), Guppy, dan Koi, dengan total 3.676 citra yang dikumpulkan dari sumber primer dan sekunder. citra. Model MobileNetV2 diuji dalam tiga skenario yaitu tanpa optimasi, dengan optimasi Color Jitter, dan dengan optimasi Random Rotation. Hasil pelatihan menunjukkan bahwa model dengan Random Rotation mencapai kinerja tertinggi dengan akurasi sebesar 99,75%, diikuti oleh model Color Jitter sebesar 88%, dan model tanpa optimasi sebesar 82%. Sistem dikembangkan dan diuji menggunakan framework TensorFlow dan diintegrasikan ke dalam antarmuka berbasis web menggunakan Streamlit. Hasil evaluasi menunjukkan bahwa penerapan teknik augmentasi dan pengoptimalan model secara signifikan meningkatkan akurasi dan ketahanan sistem dalam kondisi dunia nyata. Studi ini berkontribusi pada pengembangan sistem klasifikasi berbasis pembelajaran mendalam yang efisien dan sesuai untuk digunakan pada perangkat dengan sumber daya rendah

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Klasifikasi Gambar, Jaringan Syaraf Tiruan, MobileNetV2, Augmentasi Data, Rotasi Acak, Ikan Hias
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik dan Ilmu Komputer > Program Studi Sistem Informasi
Depositing User:	Nilam Sari
Date Deposited:	26 Nov 2025 02:09
Last Modified:	26 Nov 2025 04:02
URI:	http://repository.unisi.ac.id/id/eprint/1015

Actions (login required)

View Item