Penerapan Metode Convolutional Neural Network (CNN) untuk Deteksi dan Klasifikasi Kesegaran pada Gambar Ikan Kakap Putih

Winata, I Made Ananda Rasanila Sindu (2025) Penerapan Metode Convolutional Neural Network (CNN) untuk Deteksi dan Klasifikasi Kesegaran pada Gambar Ikan Kakap Putih. Undergraduate thesis, Politeknik Negeri Bali.

	Text (Full Text) RAMA_58302_2115354065_full.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text (Cover, Bab 1, Bab 5 dan Referensi) RAMA_58302_2115354065_0004097606_0030119106_part.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial Share Alike. Download (427kB)
	Text (iThenticate) RAMA_58302_2115354065_iThenticate.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Ikan kakap putih merupakan salah satu komoditas perikanan yang mudah mengalami penurunan kualitas apabila tidak ditangani dengan baik. Proses identifikasi kesegaran ikan secara manual dinilai kurang efisien dan akurat karena bergantung pada subjektivitas manusia. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kesegaran ikan kakap putih secara otomatis berbasis citra digital menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 288 gambar ikan kakap putih yang dikategorikan ke dalam dua kelas, yaitu segar dan tidak segar. Tahapan penelitian meliputi pengumpulan data, preprocessing (resize, normalisasi, augmentasi), pelatihan model CNN dengan arsitektur ResNet, evaluasi performa model menggunakan metrik akurasi, presisi, recall, dan F1-score, serta implementasi sistem dalam bentuk aplikasi web berbasis Flask. Berdasarkan hasil pengujian, model CNN mampu mengklasifikasikan gambar dengan akurasi sebesar 69%. Pada kelas ikan segar, nilai precision sebesar 0,80 namun recall hanya 0,53, sedangkan pada kelas tidak segar memiliki recall tinggi yaitu 0,86 namun precision lebih rendah. Hasil ini menunjukkan bahwa model cukup baik dalam mengenali ikan tidak segar, namun masih lemah dalam mengenali ikan segar secara konsisten. Faktor-faktor seperti keterbatasan jumlah data dan variasi pencahayaan yang terbatas memengaruhi kinerja model secara keseluruhan. Meskipun demikian, penelitian ini menunjukkan bahwa teknologi deep learning memiliki potensi besar untuk diterapkan dalam pengawasan mutu produk perikanan secara otomatis, cepat, dan efisien. Pengembangan lebih lanjut dapat dilakukan dengan memperbanyak data dan mencoba arsitektur CNN lainnya untuk meningkatkan akurasi sistem.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	CNN, klasifikasi kesegaran, ikan kakap putih, ResNet, Flask
Subjects:	Ilmu Teknik > Teknik Elektro Dan Informatika > Teknologi Informasi Ilmu Teknik > Teknik Elektro Dan Informatika > Teknik Perangkat Lunak
Divisions:	Jurusan Teknologi Informasi > Prodi D4 Teknologi Rekayasa Perangkat Lunak > Skripsi
Depositing User:	I Made Ananda Rasanilaya Sindu Winata
Date Deposited:	11 Sep 2025 02:38
Last Modified:	11 Sep 2025 02:38
URI:	https://repository.pnb.ac.id/id/eprint/19593

Actions (login required)

View Item