NABILA, GUSTRIA and Ritha, Nola and Pertiwi, Marisha (2026) KLASIFIKASI KESEGARAN IKAN KEMBUNG (RASTRELLIGER SP.) MENGGUNAKAN ARSITEKTUR MOBILENETV3 SMALL DAN SUPPORT VECTOR MACHINE. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) GUSTRIA_NABILA_2201020076_Teknik Informatika - Cover.pdf - Published Version Download (762kB)
	Text (Abstrak) GUSTRIA_NABILA_2201020076_Teknik Informatika - Abstrak.pdf - Published Version Download (247kB)
	Text (Bab 1) GUSTRIA_NABILA_2201020076_Teknik Informatika - Bab 1.pdf - Published Version Download (268kB)
	Text (Daftar Pustaka) GUSTRIA_NABILA_2201020076_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (229kB)
	Text (Full Teks) GUSTRIA_NABILA_2201020076_Teknik Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Kesegaran ikan merupakan salah satu faktor penting yang menentukan kualitas dan keamanan produk perikanan. Penilaian kesegaran ikan secara visual masih bersifat subjektif dan bergantung pada pengalaman pengamat, sedangkan metode laboratorium memerlukan waktu, biaya, dan peralatan khusus. Penelitian ini bertujuan untuk menghasilkan model klasifikasi kesegaran ikan kembung (Rastrelliger sp.) menggunakan arsitektur MobileNetV3 Small sebagai ekstraktor fitur dan Support Vector Machine (SVM) kernel Linear sebagai algoritma klasifikasi. Dataset yang digunakan terdiri dari 576 citra yang diperoleh dari 32 ekor ikan kembung dengan tiga bagian pengamatan, yaitu mata, insang, dan tekstur tubuh. Citra mengalami tahapan preprocessing berupa crop, resize menjadi 224 × 224 piksel, normalisasi, dan augmentasi pada data training sehingga diperoleh 2.268 citra data training, sedangkan data testing berjumlah 198 citra. MobileNetV3 Small digunakan untuk mengekstraksi 576 fitur dari setiap citra yang selanjutnya diklasifikasikan menggunakan SVM kernel Linear. Hasil penelitian menunjukkan bahwa model memperoleh akurasi validasi menggunakan 5-Fold GroupKFold sebesar 79,49%, akurasi training sebesar 85,23%, dan akurasi testing sebesar 80,81%. Berdasarkan hasil classification report, model menghasilkan precision sebesar 0,72 dan recall sebesar 0,70 pada kelas segar, serta precision sebesar 0,85 dan recall sebesar 0,86 pada kelas tidak segar. Hasil tersebut menunjukkan bahwa kombinasi MobileNetV3 Small dan SVM kernel Linear mampu mengklasifikasikan tingkat kesegaran ikan kembung dengan baik, terutama dalam mengenali ikan yang telah mengalami penurunan tingkat kesegaran. Kata kunci: Klasifikasi Kesegaran Ikan, Ikan Kembung, MobileNetV3 Small, Support Vector Machine, Pengolahan Citra Digital.

Actions (login required)

View Item