Klasifikasi Kesegaran Ikan Pada Citra dengan VGG19
DOI:
https://doi.org/10.30872/atasi.v4i1.2888Keywords:
Kesegaran Ikan, Transfer Learning, CNN, VGG19Abstract
Ikan merupakan sumber makanan yang sangat bernutrisi dan berprotein tinggi untuk tubuh manusia, Sebagai konsumen memilih ikan dengan mutu yang baik untuk dikonsumsi baik oleh diri sendiri atau keluarga sangatlah penting, apalagi bagi ibu-ibu yang memiliki anak-anak yang masih dalam masa pertumbuhan. Ikan yang tidak segar mempengaruhi rasa dan nutrisi dari ikan tersebut, bahkan dapat membuat keracunan dan mempengaruhi kesehatan pencernaan konsumen. Penelitian ini mengadopsi algoritma Convolutional Neural Network (CNN) dan pendekatan Transfer Learning untuk melakukan klasifikasi tingkat kesegaran ikan berdasarkan citra digital. Jaringan VGG19 seperti arsitektur AlexNet, dengan lapisan konvolusional berurutan dengan filter yang semakin meningkat saat masuk lebih dalam ke dalam jaringan. Penelitian bertujuan untuk membuat sebuah system yang diharapkan dapat mengatasi permasalahan tentang mengklasifikasikan tingkat kesegaran dengan menggunakan CNN dengan pendekatan transfer learning. Evaluasi performa dilakukan dengan menghitung accuracy, precision, recall, f1-score menggunakan metode confusion matrix, untuk mencari nilai terbaik. Hasil penelitian ini system klasifikasi kesegaran ikan menggunakan dua model yaitu Convolutional Neural Network (CNN) dan VGG19 dengan transfer learning. Pengujian dengan menggunakan 1220 data citra diperoleh nilai akurasi sebesar 86% untuk model VGG19.
References
Agustyawan, A. (2020). Pengolahan Citra untuk Membedakan Ikan Segar dan Tidak Segar Menggunakan Convolutional Neural Network. IJAI (Indonesian Journal of Applied Informatics), 5(1), 11–19. https://doi.org/10.20961/IJAI.V5I1.41770
Ahad, M. T., Li, Y., Song, B., & Bhuiyan, T. (2023). Comparison of CNN-based deep learning architectures for rice diseases classification. Artificial Intelligence in Agriculture, 9, 22–35. https://doi.org/10.1016/J.AIIA.2023.07.001
Anaya-Isaza, A., Mera-Jiménez, L., & Zequera-Diaz, M. (2021). An overview of deep learning in medical imaging. Informatics in Medicine Unlocked, 26, 100723. https://doi.org/10.1016/J.IMU.2021.100723
Faturrahman, R., Hariyani, Y. S., & Hadiyoso, S. (2023). Klasifikasi Jajanan Tradisional Indonesia berbasis Deep Learning dan Metode Transfer Learning. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 11(4), 945. https://doi.org/10.26760/elkomika.v11i4.945
Jerandu, C. Y., Batarius, P., Aristo, A., & Sinlae, J. (2022). Identifikasi Kualitas Kesegaran Ikan Menggunakan Algoritma K-Nearest Neighbor Berdasarkan Ekstraksi Ciri Warna Hue, Saturation, dan Value (HSV). Technology and Science (BITS), 4(3). https://doi.org/10.47065/bits.v4i3.2613
Kassania, S. H., Kassanib, P. H., Wesolowskic, M. J., Schneidera, K. A., & Detersa, R. (2021). Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning Based Approach. Biocybernetics and Biomedical Engineering, 41(3), 867–879. https://doi.org/10.1016/J.BBE.2021.05.013
Lestari, N., Yuwana, Y., & Efendi, Z. (2015). LEVELS OF FRESHNESS AND PHYSICAL DAMAGE IDENTIFICATION OF FISH AVAILABLE FOR COMSUMERS AT PASAR MINGGU MARKET BENGKULU. Jurnal Agroindustri, 5(1), 44–56. https://doi.org/10.31186/J.AGROIND.5.1.44-56
Mouton, C., Myburgh, J. C., & Davel, M. H. (2020). Stride and Translation Invariance in CNNs. In Communications in Computer and Information Science (Vol. 1342, pp. 267–281). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/978-3-030-66151-9_17
Prasetyo, E., Purbaningtyas, R., Dimas Adityo, R., Prabowo, E. T., Ferdiansyah, A. I., & Korespondensi, P. (2021). Perbandingan Convolution Neural Network Untuk Klasifikasi Kesegaran Ikan Bandeng Pada Citra Mata. Jurnal Teknologi Informasi Dan Ilmu Komputer, 8(3), 601–608. https://doi.org/10.25126/JTIIK.2021834369
Sholihin, M., & Rosidi Zamroni, M. (2021). Identifikasi Kesegaran Ikan Berdasarkan Citra Insang dengan Metode Convolution Neural Network. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(3), 1352–1360. https://doi.org/10.35957/JATISI.V8I3.939
Sitaula, C., & Hossain, M. B. (2021). Attention-based VGG-16 model for COVID-19 chest X-ray image classification. Applied Intelligence, 51(5), 2850–2863. https://doi.org/10.1007/s10489-020-02055-x
Thakur, T., Batra, I., Malik, A., Ghimire, D., Kim, S. H., & Sanwar Hosen, A. S. M. (2023). RNN-CNN Based Cancer Prediction Model for Gene Expression. IEEE Access, 11. https://doi.org/10.1109/ACCESS.2023.3332479
Wang, H. nan, Liu, N., Zhang, Y. yun, Feng, D. wei, Huang, F., Li, D. sheng, & Zhang, Y. ming. (2020). Deep reinforcement learning: a survey. Frontiers of Information Technology and Electronic Engineering, 21(12), 1726–1744. https://doi.org/10.1631/FITEE.1900533
Zegarra, F. C., Vargas-Machuca, J., & Coronado, A. M. (2021). Comparison of CNN and CNN-LSTM Architectures for Tool Wear Estimation. Proceedings of the 2021 IEEE Engineering International Research Conference, EIRCON 2021. https://doi.org/10.1109/EIRCON52903.2021.9613659
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Adopsi Teknologi dan Sistem Informasi (ATASI)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
