Pengembangan Fitur Klasifikasi Ikan Pada Aplikasi Kebun Binatang Menggunakan Transfer Learning

Fuadah, Layyinatul (2025) Pengembangan Fitur Klasifikasi Ikan Pada Aplikasi Kebun Binatang Menggunakan Transfer Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025211207-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Pemahaman mengenai kekayaan fauna sangat penting, bukan hanya untuk para peneliti dan ahli biologi, tetapi juga masyarakat umum, terutama dalam konteks pariwisata edukatif di kebun binatang dan akuarium. Akuarium di kebun binatang memiliki potensi besar yang menampilkan jenis ikan dan satwa air untuk menarik minat masyarakat. Penggunaan teknologi dalam wisata kebun binatang telah diimplementasikan sebelumnya melalui aplikasi wisata bernama ZooSite. Namun, fitur klasifikasi ikan belum diterapkan, sedangkan fitur ini penting untuk meningkatkan pengalaman edukatif bagi pengunjung dalam mempelajari berbagai jenis ikan. Hal ini berpotensi untuk mendukung kemajuan wisata edukasi dan memperkaya wawasan masyarakat. Penelitian ini bertujuan untuk mengembangkan fitur klasifikasi ikan pada aplikasi mobile kebun binatang berbasis android yang sebelumnya telah dikembangkan, di mana pengunjung dapat mengambil foto ikan yang mereka lihat, dan aplikasi akan menampilkan nama ikan tersebut beserta informasi terkait. Pengembangan fitur klasifikasi ikan ini menggunakan metode transfer learning. Transfer learning adalah pendekatan pembelajaran mesin dengan menggunakan model yang sudah dilatih pada satu tugas dapat digunakan untuk menyelesaikan tugas lain yang berbeda. Hasil pengujian menunjukkan arsitektur pre-trained model terbaik adalah EfficientNet dengan akurasi sebesar 98%. Model ini dapat mengklasifikasi dengan baik pada pencahayaan terang dengan latar belakang yang kompleks, dibandingkan dengan pencahayaan redup dan latar belakang polos.
====================================================================================================================================
Understanding the richness of fauna is very important, not only for researchers and biologists, but also the general public, especially in the context of educational tourism in zoos and aquariums. Aquariums in zoos have great potential to display types of fish and aquatic animals to attract public interest. The use of technology in zoo tourism has been previously implemented through a tourism application called ZooSite. However, the fish classification feature has not yet been implemented, even though it plays a crucial role in enhancing the educational experience of visitors in learning about various fish species. This feature has the potential to support the advancement of educational tourism and enrich public knowledge. This study aims to develop a fish classification feature on a previously developed android-based zoo mobile application, where visitors can take photos of the fish they see, and the application will display the name of the fish along with related information. The development of this fish classification feature uses the transfer learning method. Transfer learning is a machine learning approach using a model that has been trained on one task can be used to complete another different task. The test results show the best-performing pre-trained model architecture is EfficientNet, achieving an accuracy of 98%. This model performs well in classifying images under bright lighting conditions with complex backgrounds, compared to dim lighting and plain backgrounds.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi, Ikan, Aplikasi Mobile, Kebun Binatang, Edukasi, Transfer Learning, Classification, Fish, Mobile Applications, Zoo, Education, Transfer learning.
Subjects:	L Education > L Education (General) T Technology > T Technology (General)
Divisions:	Faculty of Electrical Technology > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Layyinatul Fuadah
Date Deposited:	30 Jul 2025 00:53
Last Modified:	30 Jul 2025 00:53
URI:	http://repository.its.ac.id/id/eprint/123057

Actions (login required)

View Item