Klasifikasi Pengenalan Jenis Ikan Menggunakan Metode Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.29407/zftz5n24Keywords:
Kata Kunci— Klasifikasi Ikan, Convolutional Neural Network (CNN), Pengenalan Citra, Pembelajaran Mesin.Abstract
Identifikasi ikan secara manual masih dihadapkan pada kesulitan di berbagai bidang, termasuk perikanan, pendidikan, dan konservasi, mengingat cara ini kurang efisien dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengatasi kendala tersebut dengan mengembangkan sistem otomatis untuk klasifikasi dan pengenalan jenis ikan melalui citra menggunakan metode Convolutional Neural Network (CNN). CNN dipilih karena kemampuannya yang luar biasa dalam mengekstrak fitur visual dari gambar secara otomatis. Data yang digunakan terdiri dari citra digital ikan jenis Gurame, Lele, Nila, dan Patin, yang diperoleh melalui dokumentasi langsung di wilayah Kediri. Sistem yang dikembangkan dirancang berbasis web agar dapat diakses dengan mudah oleh masyarakat umum. Evaluasi performa model dilakukan menggunakan metrik Akurasi, Precision, Recall, dan F1-score. Hasil pengujian menunjukkan bahwa model CNN berhasil memperoleh Akurasi keseluruhan sebesar 96,23%, membuktikan bahwa penerapan CNN dapat menghasilkan sistem klasifikasi ikan yang presisi, cepat, dan efisien, serta memberikan solusi modern untuk identifikasi ikan.
Downloads
References
[1] Abdurrahman, N., Rahmat, B., & Sihananto, A. N. (2023). Perbandingan Performa Klasifikasi Citra Ikan Menggunakan Metode K-Nearest Neighbor (K-NN) Dan Convolutional Neural Network (CNN). Jurnal Sistem Informasi Dan Informatika (JUSIFOR), 2(2), 84–93. https://doi.org/10.33379/jusifor.v2i2.3728
[2] Adi Laksono, S., Rahmat, B., & Nugroho, B. (2024). Identifikasi Jenis Ikan Cupang Berdasarkan Gambar Menggunakan Metode Convolutional Neural Network. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 3331–3338. https://doi.org/10.36040/jati.v8i3.9676
[3] Elvin, E., & Lubis, C. (2022). Klasifikasi Citra Ikan Menggunakan Convolutional Neural Network. Jurnal Ilmu Komputer Dan Sistem Informasi, 10(1). https://doi.org/10.24912/jiksi.v10i1.17827
[4] Muslem R, I., & Johan, T. (2023). Klasifikasi citra ikan menggunakan algoritma convolutional neural network dengan arsitektur VGG-16. Kajian Ilmiah Informatika Dan Komputer, 4(2), 978–983. https://doi.org/10.30865/klik.v4i2.1209
[5] Saputra, G. A., & Agastya, I. M. A. (2024). Betta Fish Identification System Based On Convolutional Neural Network. Journal of Applied Informatics and Computing, 8(2), 443–452. https://doi.org/10.30871/jaic.v8i2.8449
[6] Syech Ahmad, M. T. A., & Sugiarto, B. (2023). Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Ikan Cupang Berbasis Mobile. Digital Transformation Technology, 3(2), 712–723. https://doi.org/10.47709/digitech.v3i2.3245
[7] Taufan, M. A., Rusdianto, D. S., & Ananta, M. T. (2022). Pengembangan Sistem Otomatisasi Use Case Diagram berdasarkan Skenario Sistem menggunakan Metode POS Tagger Stanford NLP. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(8), 3733–3740. http://j-ptiik.ub.ac.id
[8] Wijayanto, B., Mahendra, R. M., & Salam, M. I. (2025). Identifikasi Jenis Ikan Cupang Menggunakan Metode CNN Dengan Arsitektur MobileNetV2 Berbasis Mobile. Prosiding Seminar Nasional Teknologi Dan Sains, 4, 519–525. https://medium.com/
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Andika Isa Pratama, Risky Aswi Ramadhani, Julian Sahertian
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
