PURBA, WIDYANTI and Hayaty, Nurul and Herikson, Rifaldi (2026) KLASIFIKASI JENIS CEPHALOPODA MENGGUNAKAN METODE SINGLE SHOT MULTIBOX DETECTOR (SSD) SECARA REAL-TIME. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) WIDYANTI EKA FAZRI PURBA_190155201007_Teknik Elektro dan Informatika__Cover.pdf - Published Version Download (644kB)
	Text (Abstrak) WIDYANTI EKA FAZRI PURBA_190155201007_Teknik Elektro dan Informatika_Abstrak.pdf - Published Version Download (255kB)
	Text (Bab I) WIDYANTI EKA FAZRI PURBA_190155201007_Teknik Elektro dan Informatika__BAB I.pdf - Published Version Download (401kB)
	Text (Daftar Pustaka) WIDYANTI EKA FAZRI PURBA_190155201007_Teknik Elektro dan Informatika__Daftar Pustaka.pdf - Published Version Download (219kB)
	Text (Full Teks) WIDYANTI_EKA_FAZRI_PURBA_190155201007_Teknik_Elektro_dan_Informatika__Full_Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Cephalopoda seperti cumi-cumi (Loligo sp.), sotong (Sepia sp.), dan gurita (Octopus sp.) merupakan komoditas ekspor perikanan Indonesia dengan nilai tinggi, namun identifikasi jenisnya di lapangan masih dilakukan secara manual sehingga rentan terhadap kesalahan akibat kemiripan morfologi antar spesies, khususnya antara Loligo sp. dan Sepia sp. Penelitian ini bertujuan untuk membangun sistem klasifikasi jenis Cephalopoda secara real-time menggunakan metode Single Shot Multibox Detector (SSD) dengan backbone MobileNetV2. Dataset yang digunakan berjumlah 1.500 citra yang dikumpulkan secara langsung di Pasar Bintan Center, Tanjungpinang, dengan pembagian merata pada tiga kelas dan rasio data latih, validasi, dan uji sebesar 80:10:10. Proses pelatihan dilakukan sebanyak 30.000 iterasi menggunakan Google Colab dengan GPU Tesla T4, menghasilkan nilai total loss akhir sebesar 0,0589. Hasil pengujian pada 150 citra data uji menunjukkan performa model yang tinggi, dengan rata-rata precision sebesar 96,28%, recall 98,71%, dan F1-score 97,45%. Kelas Loligo sp. memperoleh F1-score tertinggi sebesar 99,03%, diikuti Sepia sp. sebesar 97,09% dan Octopus sp. sebesar 96,23%. Analisis lebih lanjut menunjukkan bahwa kesalahan deteksi umumnya disebabkan oleh gangguan lingkungan pasar, seperti pantulan cahaya dan penumpukan spesimen, bukan karena kegagalan model dalam membedakan karakteristik morfologi spesies. Model yang telah dilatih kemudian dikonversi ke format TensorFlow Lite dan diimplementasikan pada aplikasi mobile berbasis Flutter, sehingga dapat melakukan deteksi dan klasifikasi Cephalopoda secara langsung melalui kamera perangkat. Hasil penelitian ini menunjukkan bahwa metode SSD MobileNetV2 dapat menjadi solusi identifikasi Cephalopoda yang objektif, akurat, dan aplikatif untuk mendukung pencatatan hasil tangkapan di lapangan.

Actions (login required)

View Item