Klasifikasi Jenis Ikan Berbasis Citra Foto Menggunakan CNN

Adhisti, Dympna Tinezsia (2022) Klasifikasi Jenis Ikan Berbasis Citra Foto Menggunakan CNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2024. Download (3MB) | Request a copy

Abstract

Indonesia memiliki potensi yang sangat besar dalam bidang kelautan, terutama di sektor perikanan laut dan produk perikanan. Dalam industri perikanan terdapat ba nyak proses yang dilakukan salah satu yang penting adalah proses pernyortiran. Proses pernyotiran masih dilakukan manual memiliki banyak kekurangan seperti diantaranya tingkat akurasi serta membutuhkan waktu yang cukup lama. Diperlukan sistem pe ngolahan citra berbasis neural network untuk melakukan klasifikasi spesies ikan yang mempermudah pernyortiran ikan secara otomatis. Sistem dibuat dengan menggunakan arsitektur EfficientNet yang merupakan salah satu arsitektur CNN terbaru. Dilakuk an training pada 4 jenis arsitektur EfficientNet yaitu EfficientNet-B0, EfficientNet-B1, EfficientNet-B2, dan EfficientNet-B3. Hasil paling tinggi didapatkan dengan menggunak an arsitektur EfficientNet-B3 dengan rata-rata loss sebesar 0.049, akurasi training sebesar 0.987, loss validasi sebesar 0.046, rata-rata akurasi validasi sebesar 0.987, rata-rata hasil f1 score, precision dan recall sebesar 0.988. Pada pengujiannya, model dengan arsitektur EfficientNet-B3 memiliki performa yang lebih baik dalam mengklasifikasikan citra yang memeliki latar belakang bewarna biru dengan permukaan yang halus dan diambil da ri jarak 30 cm, tetapi model kurang baik dalam mengklasifikasikan citra yang diambil dari jarak 50 cm yang membuat ikan terlihat kecil. Harapannya penelitian ini dapat di kembangkan menjadi sistem yang lebih kompleks dan dapat membantu pelaku industri perikanan untuk meningkatkan efisiensi sistem khususnya dalam pernyotiran ikan hasil tangkapan.
===================================================================================================================================
Indonesia has enormous potential in the marine sector, especially in the marine fi sheries sector and fishery products. In the fishing industry, many processes are carried out. One of the most important is the sorting process. The sorting process is still done manually, but it has many shortcomings, such as the level of accuracy and the amount of time needed. A neural network-based image processing system to classify fish species can make the process easier. The system is built using the EfficientNet architecture, which is one of the newest CNN architectures. The training was conducted on 4 EfficientNet ar chitecture types: EfficientNet-B0, EfficientNet-B1, EfficientNet-B2, and EfficientNet-B3. The highest results were obtained using the EfficientNet-B3 architecture with an average loss of 0.049, training accuracy of 0.987, validation loss of 0.046, validation accuracy of 0.987, average f1 score, precision dan recall of 0.988. While performing testing scenarios, the model with the EfficientNet-B3 architecture performs better in classifying images with a blue background with a smoother surface and is taken from a distance of 30 cm. Still, the model is not good at classifying images that are taken from a distance of 50 cm. It is hoped that this research can be developed into a more complex system and help the fisheries industry players improve the efficiency system, especially in sorting the fish.

Item Type:	Thesis (Other)
Additional Information:	RSKom 006.312 Adh k-1 2022
Uncontrolled Keywords:	CNN, EfficientNet, Ikan Laut, Klasifikasi, Web Scraping
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	- Davi Wah
Date Deposited:	05 Jul 2024 08:20
Last Modified:	05 Jul 2024 08:20
URI:	http://repository.its.ac.id/id/eprint/107975

Actions (login required)

View Item