Pengembangan Model Prediksi Tingkat Kesegaran Ikan Menggunakan Machine Learning Berbasis Pengolahan Citra Digital

Pertiwi, Nabilah Kartika (2024) Pengembangan Model Prediksi Tingkat Kesegaran Ikan Menggunakan Machine Learning Berbasis Pengolahan Citra Digital. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6009221010-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Ikan adalah sumber protein hewani yang kaya akan nutrisi dan sangat penting dalam menjaga kesehatan tubuh. Kementerian Kelautan dan Perikanan telah mencatat bahwa tingkat konsumsi ikan di Indonesia mencapai 55,37 kg/kapita pada tahun 2021. Dengan semakin banyaknya tingkat konsumsi ikan di Indonesia maka perlu diperhatikan pula untuk mengetahui tingkat kesegaran ikan yang akan dikonsumsi. Kesegaran ikan dapat mempengaruhi kandungan protein yang terdapat pada ikan. Terdapat dua metode untuk mengetahui tingkat kesegaran ikan, yaitu dengan cara destruktif (merusak tubuh ikan) atau dengan cara nondestruktif (tidak merusak bagian tubuh ikan). Pada penelitian ini, untuk mengetahui tingkat kesegaran ikan gurami dan ikan nila dilakukan dengan nondestruktif menggunakan pencahayaan sinar UV (ultraviolet). Dengan menggunakan pencahayaan UV memiliki potensi untuk memperkirakan kesegaran ikan secara non-destruktif yaitu dengan menggunakan citra mata ikan. Sehingga diperlukan machine learning untuk memprediksi tingkat kesegaran ikan, karena data citra yang di dapatkan tidak sepenuhnya dapat dibedakan melalui mata secara langsung. Berdasarkan hasil pengolahan citra yang telah dilakukan pada ikan gurami menunjukkan klasifikasi tingkat kesegaran ikan menggunakan sisik ikan menunjukkan akurasi sebesar 99.1%, pada mata menunjukkan akurasi sebesar 99.7%, dan pada insang menunjukkan akurasi sebesar 98.9%. Sedangkan pada ikan nila, klasifikasi tingkat kesegaran ikan menggunakan sisik ikan menunjukkan akurasi sebesar 99.9%, pada mata menunjukkan akurasi sebesar 99.9%, dan pada insang menunjukkan akurasi sebesar 99.5%. Akurasi terbaik klasifikasi tingkat kesegaran ikan gurami yaitu menggunakan sisik, sedangkan ikan nila yaitu menggunakan insang
=====================================================================================================================================
Fish is a source of animal protein which is rich in nutrients and is very important in maintaining a healthy body. The Ministry of Maritime Affairs and Fisheries has noted that the level of fish consumption in Indonesia will reach 55.37 kg/capita in 2021. With the increasing level of fish consumption in Indonesia, it is also necessary to pay attention to knowing the level of freshness of the fish to be consumed. The freshness of fish can affect the protein content in fish. There are two methods for determining the freshness level of fish, namely by destructive methods (damaging the fish's body) or non-destructive methods (not damaging the fish's body parts). In this research, to determine the freshness level of gourami and tilapia fish, this was done non-destructively using UV (ultraviolet) light. Using UV lighting has the potential to estimate the freshness of fish non-destructively, namely by using fish eye images. So machine learning is needed to predict the freshness level of fish, because the image data obtained cannot be completely differentiated directly from the eye. Based on the results of image processing carried out on gourami fish, the classification of fish freshness level using fish scales shows an accuracy of 99.1%, the eyes show an accuracy of 99.7%, and the gills show an accuracy of 98.9%. Meanwhile for tilapia, classification of fish freshness level using fish scales showed an accuracy of 99.9%, eyes showed an accuracy of 99.9%, and gills showed an accuracy of 99.5%. The best accuracy for classifying the freshness level of gourami fish is using scales, while for tilapia fish is using gills

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kesegaran ikan, Image processing, Machine learning, Fish freshness, Image processing, Machine learning
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30101-(S2) Master Thesis
Depositing User:	Nabilah Kartika Pertiwi
Date Deposited:	15 Aug 2024 03:42
Last Modified:	15 Aug 2024 03:42
URI:	http://repository.its.ac.id/id/eprint/115345

Actions (login required)

View Item