Analisis Performa ResNet50 pada Klasifikasi Kesegaran Ikan dengan Pembanding Metode SVM
DOI:
https://doi.org/10.29407/6cjp1431Abstract
Penelitian ini membandingkan performa Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dengan arsitektur ResNet50 dalam klasifikasi kesegaran ikan berbasis citra. Dataset yang digunakan terdiri dari 4.958 citra ikan segar dan tidak segar dengan indikator mata, insang, dan sisik. Metode SVM menerapkan dua skema ekstraksi fitur, yaitu HOG-HSV dan HSV-GLCM menggunakan kernel Radial Basis Function (RBF). Sementara itu, model ResNet50 dibangun menggunakan pendekatan transfer learning dengan bobot pretrained ImageNet. Hasil pengujian menunjukkan bahwa SVM HOG-HSV memperoleh accuracy sebesar 96%, sedangkan SVM HSV-GLCM memperoleh accuracy sebesar 94%. Model ResNet50 memperoleh accuracy sebesar 98,71% dan F1-score sebesar 99%. Hasil penelitian menunjukkan bahwa pendekatan deep learning menggunakan ResNet50 mampu memberikan performa yang lebih baik dibandingkan metode SVM dalam klasifikasi kesegaran ikan
Keywords:
Klasifikasi Kesegaran Ikan, Support Vector Machine (SVM), Convolutional Neural Network (CNN), ResNet50, Transfer Learning, Deep Learning.##plugins.themes.default.displayStats.downloads##
References
[1] S. I. Wodi dan E. Cahyono, “Penerapan diversifikasi produk hasil perikanan sebagai
upaya meningkatkan konsumsi ikan masyarakat kampung birahi kecamatan tabukan
selatan,” J. Ilm. Tatengkorang, vol. 6, no. 1, hal. 1–6, 2022, doi:
https://doi.org/10.54484/tkrg.v6i1.467.
[2] M. Wardani, R. Ramli, dan S. N. A. Jamil, “ANALISIS KESESUAIAN MUTU
PINDANG IKAN LAYANG (Decapterus sp.) TERHADAP STANDAR NASIONAL
INDONESIA,” J. AGROSAINS Karya Kreat. dan Inov., vol. 9, no. 1, hal. 52–61,
2024, doi: 10.31102/agrosains.2024.9.1.52-61.
[3] G. Ashari Rakhmat dan M. Fikri Haekal, “MIND (Multimedia Artificial Intelligent
Networking Database Peningkatan Performa MobilenetV3 dengan Squeeze-andExcitation (Studi Kasus Klasifikasi Kesegaran Ikan Berdasarkan Mata Ikan),” J. MIND
J. | ISSN, vol. 8, no. 1, hal. 27–41, 2023, [Daring]. Tersedia pada:
https://doi.org/10.26760/mindjournal.v8i1.27-41
[4] Y. Darnita, F. A. Putra, S. H. Wibowo, S. A. Saputera, dan N. D. Maria Veronika,
“Penerapan Metode Convolutional Neural Network Dalam Klasifikasi Kesegaran Ikan
Mungkus Berdasarkan Citra Mata dan Insang Ikan,” J. Inform., vol. 25, no. 1, hal. 59–
73, 2025, doi: 10.30873/jurnalinformatika.v25i4.
[5] A. Peryanto, A. Yudhana, dan R. Umar, “Rancang Bangun Klasifikasi Citra Dengan
Teknologi Deep Learning Berbasis Metode Convolutional Neural Network,” Format
J. Ilm. Tek. Inform., vol. 8, no. 2, hal. 138, 2020, doi: 10.22441/format.2019.v8.i2.007.
[6] R. Ramli, E. Evanita, dan A. A. Riadi, “Classification of Rice Leaf Diseases Using
Support Vector Machine with HSV and GLCM-Based Feature Extraction,” J. Appl.
Informatics Comput., vol. 9, no. 5, hal. 2329–2337, 2025, doi:10.30871/jaic.v9i5.10403.
[7] I. S. K. Idris, Y. A. Mustofa, dan I. A. Salihi, “Analisis Sentimen Terhadap
Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine
(SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, hal. 32–35, 2023, doi:
10.37905/jjeee.v5i1.16830.
[8] S. Adiningsi, B. Pramono, A. Mashur Sajiah, dan R. Adi Saputra, “Identifikasi Kualitas
Ikan Cakalang Segar Berbasis Citra Mata Menggunakan Metode Support Vector
Machine (Svm) Dengan Fungsi Kernel Radial Basis Function,” JATI (Jurnal Mhs. Tek.
Inform., vol. 9, no. 1, hal. 1522–1530, 2025, doi: 10.36040/jati.v9i1.12641.
[9] R. Prasthio, Y. Yohannes, dan S. Devella, “Penggunaan fitur HOG dan HSV untuk
klasifikasi citra sel darah putih,” Algoritm. J. Mhs. Tek. Inform., vol. 2, no. 2, hal. 120–
132, 2022, doi: doi: 10.35957/algoritme.v2i2.2362.
[10] S. D. Kusumaningrum dan I. Muhimmah, “ANALISIS FAKTOR DAN METODE
UNTUK MENENTUKAN TIPE KULIT WAJAH,” J. Teknol. Inf. dan Ilmu Komput.,
vol. 10, no. 4, hal. 753–762, 2023, doi: 10.25126/jtiik.2023106955.
[11] D. A. Setiyadi dan S. Rakasiwi, “ANALISIS PERBANDINGAN KINERJA
ARSITEKTUR RESNET50 DAN EFFICIENTNETB1 MENGGUNAKAN METODE
FINE-TUNING UNTUK KLASIFIKASI PNEUMONIA,” Rabit J. Teknol. dan Sist.
Inf. Univrab, vol. 11, no. 1, hal. 1243–1252, 2026, doi: 10.36341/rabit.v11i1.7273.
[12] I. Fatahna, D. P. Pamungkas, dan D. W. Widodo, “Optimisasi Hybrid Yolov9C-Vgg16
Untuk Klasifikasi Jeruk Lokal Pada Sistem Sortasi Otomatis Pada Industri Pertanian,”
Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 10, no. 2, hal. 217–227, 2025, doi:
10.36341/rabit.v10i2.6024.
[13] S. K. Jha, Y. Misra, R. Nyayadhish, M. K. Rawat, K. K. K, dan N. Neelam, “A CNNDriven Image Analysis Approach for Accurate Detection of Plant Leaf Diseases,” Int.
J. Eng. Sci. Inf. Technol., vol. 5, no. 4, hal. 235–242, 2025, doi:
10.52088/ijesty.v5i4.1299.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
