AINI, KURRATA and Bettiza, Martaleli and Pardede, Hilman Ferdinandus (2025) IDENTIFIKASI KESEGARAN IKAN NILA DENGAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) RESNET50. S1 thesis, Universitas Maritim Raja Ali Haji.
![[img]](http://repositori.umrah.ac.id/style/images/fileicons/text.png) |
Text (Cover)
Kurrata Aini_2001020008_Teknik Informatika_Cover.pdf - Published Version Download (772kB) |
|
Text (Abstrak)
Kurrata Aini_2001020008_Teknik Informatika_Abstrak.pdf - Published Version Download (334kB) |
|
Text (BAB I)
Kurrata Aini_2001020008_Teknik Informatika_BAB I.pdf - Published Version Download (309kB) |
|
Text (Daftar Pustaka)
Kurrata Aini_2001020008_Teknik Informatika_Daftar Pustaka.pdf - Published Version Download (316kB) |
|
Text (Full Teks)
Kurrata Aini_2001020008_Teknik Informatika_Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy |
Abstract
Di Indonesia dengan salah satu sumber utama makanannya ialah ikan, kesegaran ikan sangat berperan penting bagi kualitas, kesehatan dan kebahagian masyarakat untuk memakannya. Ikan nila yang sangat banyak tersedia di pasar tradisional serta harganya yang lebih ekonomis dari pada ikan lainnya menjadikan daya tarik minat untuk membeli ikan jenis ini. Pada penelitian ini kami melakukan klasifikasi kesegaran ikan berdasarkan citra mata ikan menggunakan ikan yang dikumpulkan selama 4 hari dengan ketentuan Hari 1 (segar) dan Hari 2, 3 serta 4 (tidak segar). Model Convolutional Neural Network (CNN) diimplementasikan menggunakan arsitektur ResNet50 dengan menerapkan pre-processing yaitu augmentasi data rotasi dan kecerahan untuk meningkatkan generalisasi model. Rotasi dilakukan dengan berbagai sudut yaitu 0°, 45°, 90°, 135°, 180°, 225°, 270°, 315° sehingga menghasilkan total 1600 citra dataset dengan rasio pembagian 70:20:10 yaitu 70% untuk data latih, 20% untuk data validasi dan 10% untuk data tes. Hasil penelitian menunjukkan bahwa model yang dilatih mampu mencapai performa teribaik pada 300 epoch dengan nilai yang didapatkan accuracy 0.99, precision 0.99, recall 0.99 dan f1-score 0.99. Oleh karena itu penelitian ini membuktikan bahwa model CNN dengan arsitektur ResNet50 efektif dalam mengklasifikasikan kesegaran ikan berdasarkan citra mata ikan. Kata kunci: ResNet50, Ikan Nila, Deep Learning, Convolutional Neural Network
| Item Type: | Thesis (S1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
|||||||||
| Subjects: | 600. Teknologi dan Ilmu Terapan > 620 - 629 Engineering and Allied Operations (Ilmu Teknik dan Ilmu yang Berkaitan) > 620.006 Management of Engineering/Manajemen Teknik 600. Teknologi dan Ilmu Terapan > 630-639. Pertanian, Budidaya Ikan, dan Teknologi yang Berkaitan > 639.31 Fish Culture in Fresh Water/Peternakan Ikan Air Tawar, Budidaya Ikan Air Tawar |
|||||||||
| Divisions: | Fakultas Teknik > Program Studi Teknik Informatika | |||||||||
| Depositing User: | user Teknik Informatika | |||||||||
| Date Deposited: | 03 Feb 2025 02:38 | |||||||||
| Last Modified: | 03 Feb 2025 04:37 | |||||||||
| URI: | http://repositori.umrah.ac.id/id/eprint/8396 |
Actions (login required)
 |
View Item |