Analisis Perbandingan Model Convolutional Neural Network (CNN) dan You Only Look Once (YOLO) Dalam Klasifikasi Kesegaran Ikan Tongkol dan Slungsung

Andika Diana Putra, I Gede (2026) Analisis Perbandingan Model Convolutional Neural Network (CNN) dan You Only Look Once (YOLO) Dalam Klasifikasi Kesegaran Ikan Tongkol dan Slungsung. Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2229101021-COVER.pdf
Download (411kB)
[img] Text (ABSTRAK)
2229101021-ABSTRAK.pdf
Download (7MB)
[img] Text (BAB I PENDAHULUAN)
2229101021-BAB 1 PENDAHULUAN.pdf
Download (7MB)
[img] Text (BAB II KAJIAN TEORI)
2229101021-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB III METODEOGI PENELITIAN)
2229101021-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB IV HASIL DAN PEMBAHASAN)
2229101021-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB V PENUTUP)
2229101021-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2229101021-DAFTAR PUSTAKA.pdf
Download (7MB)
[img] Text (LAMPIRAN)
2229101021-LAMPIRAN.pdf
Download (7MB)

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan performa model Convolutional Neural Network (CNN) dan You Only Look Once versi 8 (YOLOv8s) dalam mengklasifikasikan tingkat kesegaran ikan tongkol dan ikan slungsung berdasarkan citra digital. Dataset yang digunakan terdiri atas 1.640 citra yang kemudian ditingkatkan menjadi 3.280 citra melalui proses augmentasi. Pembagian data dilakukan menggunakan metode 5-Fold Stratified Cross Validation dengan hold-out test set sebesar 15% sebagai data pengujian akhir. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, macro F1-score, dan kecepatan inferensi, sedangkan performa YOLOv8s juga dievaluasi menggunakan mAP@0.5 sesuai karakteristik model deteksi objek. Hasil penelitian menunjukkan bahwa model CNN memberikan performa klasifikasi yang lebih baik dibandingkan YOLOv8s. CNN memperoleh accuracy sebesar 94,80%, precision 94,96%, recall 94,97%, dan macro F1-score sebesar 94,85%. Sementara itu, YOLOv8s memperoleh mAP@0.5 sebesar 91,39%, precision 84,11%, recall 88,49%, dan macro F1-score sebesar 85,36%. Dari aspek efisiensi komputasi, YOLOv8s memiliki kecepatan inferensi yang lebih tinggi, yaitu 39,6 FPS, dibandingkan CNN sebesar 27,4 FPS, namun membutuhkan jumlah parameter model yang lebih besar. Sebaliknya, CNN memiliki kompleksitas model yang lebih rendah dengan jumlah parameter sebanyak 32.644, sehingga mampu memberikan performa klasifikasi yang lebih akurat dan efisien pada dataset penelitian. Berdasarkan hasil analisis, dapat disimpulkan bahwa model CNN merupakan model yang paling optimal untuk klasifikasi kesegaran ikan tongkol dan ikan slungsung karena menghasilkan akurasi, precision, recall, dan macro F1-score yang lebih tinggi dibandingkan YOLOv8s. Sementara itu, YOLOv8s lebih sesuai diterapkan pada aplikasi yang memerlukan kemampuan deteksi objek dan kecepatan inferensi secara real-time.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Convolutional Neural Network, YOLOv8, Klasifikasi Citra, Kesegaran Ikan, Komputer Vision, Deep Learning.
Subjects: L Education > LB Theory and practice of education
T Technology > T Technology (General)
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Gede Andika Diana Putra
Date Deposited: 10 Aug 2026 12:02
Last Modified: 10 Aug 2026 12:02
URI: http://repo.undiksha.ac.id/id/eprint/32075

Actions (login required)

View Item View Item