IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KONDISI IKAN LELE BERBASIS CITRA VISUAL

Dienna Aden Maskur, NIM.: 20106050032 (2026) IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KONDISI IKAN LELE BERBASIS CITRA VISUAL. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KONDISI IKAN LELE BERBASIS CITRA VISUAL) 20106050032_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK IDENTIFIKASI KONDISI IKAN LELE BERBASIS CITRA VISUAL) 20106050032_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Penyakit pada ikan lele merupakan salah satu faktor yang dapat menurunkan kualitas dan produktivitas budidaya perikanan air tawar. Proses identifikasi penyakit secara manual masih memiliki keterbatasan karena membutuhkan keahlian khusus dan dipengaruhi oleh subjektivitas pengamatan. Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 untuk mengidentifikasi kondisi ikan lele berdasarkan citra visual. Dataset penelitian terdiri dari tiga kelas, yaitu kolumnaris, kuning, dan sehat, yang diperoleh dari hasil observasi lapangan serta sumber daring. Tahapan penelitian dimulai dari pengumpulan data, preparation data (termasuk segmentation, resizing, sharpening, augmentation, dan normalization), serta pembagian dataset menjadi data latih, validasi, dan uji. Proses pelatihan menggunakan transfer learning dan fine-tuning pada model ResNet-50 dengan variasi hyperparameter seperti batch size, learning rate, dan kedalaman fine-tuning. Evaluasi performa dilakukan melalui confusion matrix, accuracy, precision, recall, serta F1-score. Hasil penelitian menunjukkan bahwa model ResNet-50 mampu melakukan identifikasi kondisi ikan lele dengan performa yang baik dan stabil. Konfigurasi hyperparameter terbaik menghasilkan tingkat akurasi validasi sebesar 95,31% pada penggunaan batch size 16 dan fine-tuning 30 layer, dengan tingkat kesalahan prediksi yang rendah. Hasil tersebut menunjukkan bahwa pendekatan CNN berbasis ResNet-50 efektif digunakan untuk mengenali karakteristik visual penyakit pada ikan lele. Penelitian ini diharapkan dapat menjadi solusi alternatif dalam membantu proses deteksi dini penyakit ikan lele secara otomatis sehingga dapat mendukung peningkatan produktivitas budidaya perikanan. Kata kunci: Convolutional Neural Network, ResNet-50, identifikasi ikan lele, pengolahan citra, deep learning.

Share this knowledge with your friends :

Actions (login required)

View Item