PERBANDINGAN PERFORMA RESNET(50) DAN SHRIMPNET DALAM KLASIFIKASI UDANG GALAH LAYAK DAN TIDAK LAYAK KONSUMSI

Jyotisananda, Ida Bagus (2026) PERBANDINGAN PERFORMA RESNET(50) DAN SHRIMPNET DALAM KLASIFIKASI UDANG GALAH LAYAK DAN TIDAK LAYAK KONSUMSI. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2229101014-COVER.pdf
Download (310kB)
[img] Text (ABSTRAK)
2229101014-ABSTRAK.pdf
Download (6MB)
[img] Text (BAB 1 PENDAHULUAN)
2229101014-BAB 1 PENDAHULUAN.pdf
Download (6MB)
[img] Text (BAB 2 KAJIAN TEORI)
2229101014-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (6MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2229101014-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (6MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101014-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (6MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2229101014-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (6MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2229101014-DAFTAR PUSTAKA.pdf
Download (6MB)
[img] Text (LAMPIRAN)
2229101014-LAMPIRAN.pdf
Download (6MB)

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan udang galah layak dan tidak layak konsumsi menggunakan metode deep learning serta membandingkan performa model ResNet(50) dan ShrimpNet untuk menentukan model terbaik. Dataset citra udang galah dikumpulkan melalui proses pengambilan gambar dari peternak udang galah, kemudian dipisahkan menjadi data pelatihan, validasi, dan pengujian. Kedua model dilatih menggunakan masing-masing 27 skenario yang memvariasikan penggunaan dropout, optimizer, dan learning rate. Performa model dievaluasi menggunakan nilai accuracy, precision, recall, dan F1-score, kemudian dianalisis lebih lanjut menggunakan metode Cost Benefit Analysis (CBA) dengan mempertimbangkan aspek akurasi, ukuran model, dan waktu pelatihan. Hasil penelitian menunjukkan bahwa ResNet-50 memperoleh test accuracy tertinggi sebesar 99,93%, sedangkan ShrimpNet memperoleh test accuracy sebesar 99,71%. Berdasarkan hasil analisis Cost Benefit Analysis (CBA), ShrimpNet dipilih sebagai model terbaik karena memberikan keseimbangan yang lebih optimal antara performa klasifikasi dan efisiensi komputasi. Model terbaik kemudian diimplementasikan ke dalam interface sederhana berbasis Android menggunakan React Native sehingga proses identifikasi kelayakan konsumsi udang galah dapat dilakukan secara praktis melalui input citra dan menghasilkan prediksi kelas layak konsumsi atau tidak layak konsumsi.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Udang Galah, Deep Learning, ResNet(50), ShrimpNet
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: Ida Bagus Jyotisananda
Date Deposited: 13 Jul 2026 07:59
Last Modified: 13 Jul 2026 07:59
URI: http://repo.undiksha.ac.id/id/eprint/30794

Actions (login required)

View Item View Item