Klasifikasi jenis ikan koi menggunakan Convolutional Neural Network
Total View This Week0
Total View This Week0
Institusion
Universitas Ahmad Dahlan
Author
Aji, Arif Setia
Subject
T Technology (General)
Datestamp
2024-07-15 01:53:26
Abstract :
Ikan koi (Cyprinus rubrofuscus) adalah ikan hias yang populer dan banyak penggemar karena coraknya yang beragam serta warnanya yang indah. Terdapat berbagai macam jenis ikan koi yang bervariasi berdasarkan corak dan warna, bahkan beberapa diantaranya sangat mirip sehingga membedakaNnya menjadi tugas yang rumit. Bagi pemula yang belum familiar dengan berbagai jenis dan karakteristik ikan koi maka akan sulit untuk mengidentifikasi perbedaan antara jenis?jenis ikan koi tersebut. Metode klasifikasi pengolahan citra dapat dimanfaatkan untuk membuat sistem klasifikasi jenis ikan koi secara otomatis. Metode yang dapat digunakan antara lain Convolutional Neural Network dan Transfer Learning. Pada penelitian ini dilakukan perbandingan klasifikasi dari metode tersebut dengan menilai dari sistem dan hasil akurasi yang dihasilkan. Dalam penelitian ini, data dikumpulkan dengan cara mengambil citra dari berbagai varian ikan koi yang digunakan sebagai dataset dengan 10 kelas, yaitu Assagi, Bekko, Goromo, Kohaku, Sanke, Showa, Shusui, Tancho, Utsuri, dan Yamato Nishiki. Convolutional Neural Network dan Transfer Learning diimplementasikan kedalam sistem untuk dapat menghasilkan sistem klasifikasi. Transfer Learning diimplementasikan menggunakan pre-trained model yang berarsitektur VGG16 dan MobileNet V2. Proses klasifikasi berjumlah 10 jenis kelas dengan total 1000 citra dataset. Citra yang digunakan pada masing?masing kelas berjumlah 100 data citra, 640 untuk Training, 160 untuk Validasi, dan 200 untuk Testing. Pengujian dilakukan menggunakan confusion matrix untuk melihat performa model dari nilai precision, recall, f1-score, dan akurasi.Hasil pengujian sistem yang telah dibuat menunjukkan bahwa arsitektur MobileNet V2 mencapai akurasi lebih tinggi yaitu mencapai 92%. Model VGG16 berhasil mencapai akurasi 82%, sedangkan model CNN mencapai akurasi 49%. Pada pengujian performa menggunakan metode confusion matrix mendapatkan hasil precision, recall dan f1-score berturut?turut sebesar 92%, 92%, dan 92%. MobileNet V2 memiliki keunggulan yang lebih baik daripada arsitektur lainnya sehingga cocok digunakan untuk proses klasifikasi jenis ikan koi.
Ikan koi (Cyprinus rubrofuscus) adalah ikan hias yang populer dan banyak penggemar karena coraknya yang beragam serta warnanya yang indah. Terdapat berbagai macam jenis ikan koi yang bervariasi berdasarkan corak dan warna, bahkan beberapa diantaranya sangat mirip sehingga membedakaNnya menjadi tugas yang rumit. Bagi pemula yang belum familiar dengan berbagai jenis dan karakteristik ikan koi maka akan sulit untuk mengidentifikasi perbedaan antara jenis?jenis ikan koi tersebut. Metode klasifikasi pengolahan citra dapat dimanfaatkan untuk membuat sistem klasifikasi jenis ikan koi secara otomatis. Metode yang dapat digunakan antara lain Convolutional Neural Network dan Transfer Learning. Pada penelitian ini dilakukan perbandingan klasifikasi dari metode tersebut dengan menilai dari sistem dan hasil akurasi yang dihasilkan. Dalam penelitian ini, data dikumpulkan dengan cara mengambil citra dari berbagai varian ikan koi yang digunakan sebagai dataset dengan 10 kelas, yaitu Assagi, Bekko, Goromo, Kohaku, Sanke, Showa, Shusui, Tancho, Utsuri, dan Yamato Nishiki. Convolutional Neural Network dan Transfer Learning diimplementasikan kedalam sistem untuk dapat menghasilkan sistem klasifikasi. Transfer Learning diimplementasikan menggunakan pre-trained model yang berarsitektur VGG16 dan MobileNet V2. Proses klasifikasi berjumlah 10 jenis kelas dengan total 1000 citra dataset. Citra yang digunakan pada masing?masing kelas berjumlah 100 data citra, 640 untuk Training, 160 untuk Validasi, dan 200 untuk Testing. Pengujian dilakukan menggunakan confusion matrix untuk melihat performa model dari nilai precision, recall, f1-score, dan akurasi.Hasil pengujian sistem yang telah dibuat menunjukkan bahwa arsitektur MobileNet V2 mencapai akurasi lebih tinggi yaitu mencapai 92%. Model VGG16 berhasil mencapai akurasi 82%, sedangkan model CNN mencapai akurasi 49%. Pada pengujian performa menggunakan metode confusion matrix mendapatkan hasil precision, recall dan f1-score berturut?turut sebesar 92%, 92%, dan 92%. MobileNet V2 memiliki keunggulan yang lebih baik daripada arsitektur lainnya sehingga cocok digunakan untuk proses klasifikasi jenis ikan koi.
File :
T1_1900018412_JUDUL__230828012307.pdf
T1_1900018412_BAB_I__230828104624.pdf
T1_1900018412_BAB_II__230828104624.pdf
T1_1900018412_BAB_III__230828104624.pdf
T1_1900018412_BAB_IV__230828104624.pdf
T1_1900018412_BAB_V__230828104624.pdf
T1_1900018412_DAFTAR_PUSTAKA__230828104624.pdf
T1_1900018412_LAMPIRAN__230828104624.pdf
T1_1900018412_NASKAH_PUBLIKASI__230828104624.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
