Rancang Bangun Aplikasi Mobile Untuk Klasifikasi Jenis Ikan Koi Menggunakan Algoritma Convolutional Neural Network

Shandy Sadewa Asmoro; M. Farij Amrulloh; Moch. Anas Toybah; Muh Aris Saputra

doi:10.29407/stains.v3i1.4312

Authors

Shandy Sadewa Asmoro Universitas Nusantara PGRI Kediri
M. Farij Amrulloh Universitas Nusantara PGRI Kediri
Moch. Anas Toybah Universitas Nusantara PGRI Kediri
Muh Aris Saputra Universitas Nusantara PGRI Kediri

DOI:

https://doi.org/10.29407/stains.v3i1.4312

Keywords:

Convolutional Neural Network, Ikan Koi, Mobile

Abstract

Ikan koi merupakan ikan hias yang memiliki banyak corak warna dan jenis yang beragam. Corak yang bervariasi membuat orang awam yang baru mengenal ikan koi sulit untuk membedakan jenisnya. Saat ini, tidak ada cara yang cepat dan mudah untuk mengklasifikasikan ikan koi. Penelitian ini bertujuan untuk mengembangkan perangkat lunak yang dapat membantu penjual dan penggemar ikan koi untuk mengidentifikasi jenis ikan koi dengan cepat menggunakan ponsel mereka. Dalam penelitian ini metode yang digunakan adalah Convolutional Neural Network yang akan dibuat sebuah model untuk klasifikasinya. Model diimplementasikan menggunakan aplikasi mobile untuk input menggunakan upload gambar. Data yang digunakan pada penelitian ini didapatkan dari website kaggle.com. Data berjumlah 1700 gambar dengan perbandingan data training, validasi, dan testing yaitu 8:2:2. Berdasarkan hasil pengujian menggunakan aplikasi mobile didapatkan akurasi sebesar 99,12% untuk jenis ikan koi “Bekko”. Untuk jenis ikan yang memiliki akurasi paling rendah yaitu 94,11% untuk jenis ikan “Ghosiki”.

Downloads

Download data is not yet available.

References

Y. Hasan, “Computer Vision: Identifikasi Umur Ikan Koi Berbasis Android,” vol, vol. 5, hal. 77–81, 2020.

H. Syarif dan P. N. Andono, “Content Based Image Retrieval Berbasis Color Histogram Untuk Pengklasifikasian Ikan Koi Jenis Kohaku,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 8, no. 2, hal. 616–626, 2023.

S. Saha, "A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way," [Online]. Available: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53. [Accessed 23 12 2023].

J. Maurício, I. Domingues, dan J. Bernardino, “Comparing Vision Transformers and Convolutional Neural Networks for Image Classification: A Literature Review,” Appl. Sci., vol. 13, no. 9, hal. 5521, 2023.

M. M. Taye, “Theoretical understanding of convolutional neural network: concepts, architectures, applications, future directions,” Computation, vol. 11, no. 3, hal. 52, 2023.

U. S. Rahmadhani dan N. L. Marpaung, “Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN,” J. Inform. J. Pengemb. IT, vol. 8, no. 2, hal. 169–173, 2023.

A. Azis, “Identifikasi Jenis Ikan Menggunakan Model Hybrid Deep Learning Dan Algoritma Klasifikasi,” Sebatik, vol. 24, no. 2, hal. 201–206, 2020.

M. T. A. S. Ahmad dan B. Sugiarto, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Ikan Cupang Berbasis Mobile,” Digit. Transform. Technol., vol. 3, no. 2, hal. 792–803, 2023.

U. P. Sanjaya, Z. Alawi, A. R. Zayn, dan G. Dirgantara, “Optimasi Convolutional Neural Network dengan Standard Deviasi untuk Klasifikasi Pneumonia pada Citra X-rays Paru,” Gener. J., vol. 7, no. 3, hal. 40–47, 2023.