Analisis Kinerja MobileNetV2 untuk Klasifikasi Jenis Ikan Lokal
DOI:
https://doi.org/10.29407/4j5ebk82Abstract
Identifikasi jenis ikan lokal masih sering dilakukan secara manual sehingga berpotensi menimbulkan kesalahan, terutama pada ikan yang memiliki karakteristik visual yang serupa. Penelitian ini bertujuan menganalisis kinerja arsitektur MobileNetV2 dalam mengklasifikasikan tujuh jenis ikan lokal, yaitu Bandeng, Bawal, Gabus, Gurame, Ikan Mas, Kembung, dan Mujair. Dataset citra ikan diproses melalui tahap preprocessing dan augmentasi data sebelum digunakan pada proses pelatihan model berbasis transfer learning. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa MobileNetV2 mampu menghasilkan performa klasifikasi yang sangat baik dengan accuracy sebesar 99,05%, serta nilai precision, recall, dan F1-score rata-rata sebesar 0,99. Hasil confusion matrix menunjukkan bahwa sebagian besar citra berhasil diklasifikasikan dengan benar, dengan hanya sedikit kesalahan klasifikasi pada kelas Kembung yang terprediksi sebagai Bandeng. Hasil ini menunjukkan bahwa MobileNetV2 efektif digunakan untuk klasifikasi jenis ikan lokal berbasis citra digital.
Keywords:
augmentasi data, klasifikasi citra, MobileNetV2##plugins.themes.default.displayStats.downloads##
References
[1] T. W. Sulistyaningrum and I. Christiana, "Pemenuhan Gizi Ikan melalui Diversifikasi Olahan Hasil Perikanan dan Sayur Lokal Kalimantan Tengah," Jurnal Ilmu Hewani Tropika, vol. 11, no. 1, 2022.
[2] R. Andriani, F. Muchdar, K. Ahmad, and Juharni, "PEMANFAATAN BAHAN BAKU LOKAL SEBAGAI PAKAN IKAN UNTUK KELOMPOK BUDIDAYA IKAN DI KOTA TERNATE," Indonesian Journal of Fisheries Community Empowerment, vol. 1, no. 3, pp. 231-239, Oct. 2021, doi: 10.29303/jppi.v1i3.455.
[3] Y. Darnita, F. Andika Putra, S. Hendri Wibowo, S. Ade Saputera, N. David Maria Veronika, and A. Sonita, "Penerapan Metode Convolutional Neural Network Dalam Klasifikasi Kesegaran Ikan Mungkus Berdasarkan Citra Mata dan Insang Ikan," Jurnal Informatika, vol. 25, no. 1, pp. 59-73, 2025, doi: 10.30873.
[4] V. T. Deco, A. Nilogiri, and Q. A'yun, "Klasifikasi Kesegaran Ikan Lemuru Berdasarkan Citra Mata Menggunakan Metode Convolutional Neural Network," [Online]. Available: https://nenkk.wordpress.com/2013/06/26/representasi-citra-digital/
[5] M. F. Hanifa et al., "Fishku Apps: Fishes Freshness Detection Using CNN With MobilenetV2," IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 17, no. 1, p. 67, Feb. 2023, doi: 10.22146/ijccs.80049.
[6] F. Ramadhani, A. Satria, and S. Salamah, "Implementasi Algoritma Convolutional Neural Network dalam Mengidentifikasi Dini Penyakit pada Mata Katarak," sudo Jurnal Teknik Informatika, vol. 2, no. 4, pp. 167-175, Dec. 2023, doi: 10.56211/sudo.v2i4.408.
[7] S. S. Rambe, A. Asriyanik, and P. Prajoko, "PENERAPAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS MOBILENETV2 UNTUK KLASIFIKASI TINGKAT KESEGARAN IKAN NILA," Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6744.
[8] H. E. Kim, A. Cosa-Linan, N. Santhanam, M. Jannesari, M. E. Maros, and T. Ganslandt, "Transfer learning for medical image classification: a literature review," Dec. 01, 2022, BioMed Central Ltd., doi: 10.1186/s12880-022-00793-7.
[9] W. Hastomo and S. dan Sudjiran, "CONVOLUTION NEURAL NETWORK ARSITEKTUR MOBILENET-V2 UNTUK MENDETEKSI TUMOR OTAK," Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK), vol. 5, no. 1, 2021.
[10] S. Usabili and U. Indahyanti, "Pemodelan Deteksi Dini Diabetes Mellitus menggunakan Pendekatan Ensemble Learning," Manajemen Pelayanan Kesehatan, vol. 1, no. 1, p. 12, Jan. 2024, doi: 10.47134/mpk.v1i1.2924.
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
