MUHAMAD, SAFITRA and Nurfalinda, Nurfalinda and Henky, Irawan (2026) SISTEM KLASIFIKASI SIPUT GONGGONG BERBASIS CONVOLUTIONAL NEURAL NETWORK (CNN) VGG16 STUDI KASUS SENGGARANG. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMAD_SAFITRA_2101020113_Informatika - Cover.pdf Download (952kB)
	Text (Abstrak) MUHAMAD_SAFITRA_2101020113_Informatika - Abstrak.pdf - Published Version Download (24kB)
	Text (BAB I) MUHAMAD_SAFITRA_2101020113_Informatika - BAB I.pdf - Published Version Download (105kB)
	Text (Daftar Pustaka) MUHAMAD_SAFITRA_2101020113_Informatika - Daftar Pustaka.pdf - Published Version Download (101kB)
	Text (Full Teks) MUHAMAD_SAFITRA_2101020113_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Kawasan pesisir Senggarang, Tanjung Pinang, menjadikan siput laut gonggong (Laevistrombus canarium) sebagai ikon kuliner dan sumber ekonomi penting. Identifikasi manual gonggong sulit dilakukan karena kemiripan morfologinya dengan spesies lain (Canarium urceus, Dolomena turturella, Maculastrombus mutabilis) dan rentan terhadap subjektivitas. Kesalahan identifikasi berpotensi menurunkan kualitas produk serta mengganggu keseimbangan ekosistem. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis gonggong dengan membangun model Convolutional Neural Network (CNN) dari nol (from scratch) berbasis arsitektur VGG16. Pengembangan model menggunakan dataset citra digital spesimen. Arsitektur CNN dirancang dengan meniru konfigurasi dasar VGG16 (lapisan konvolusi, max-pooling, dan fully connected) serta dimodifikasi dengan teknik Dropout dan data augmentation untuk mencegah overfitting. Evaluasi dilakukan dengan variasi hyperparameter seperti Batch size (8, 16, 32, 64) dan learning rate (0.0005, 0.00005, 0.000005). Hasil eksperimen menunjukkan bahwa learning rate merupakan parameter paling krusial. Model mencapai kinerja terbaik pada kombinasi Batch size 16 dan learning rate 0.00005 dengan akurasi validasi sebesar 97.55%. Hasil ini membuktikan bahwa model CNN yang dibangun dari nol dapat mencapai akurasi yang sangat tinggi dalam mengidentifikasi gonggong, serta lebih efektif dan konsisten dibandingkan identifikasi manual. Sistem ini diharapkan dapat mendukung ekonomi lokal dan konservasi sumber daya perairan di Senggarang. Kata Kunci: Gonggong, Laevistrombus canarium, Klasifikasi Citra, Convolutional Neural Network (CNN), VGG16, Identifikasi Spesies, Senggarang.

Actions (login required)

View Item