Klasifikasi Jenis-Jenis Ikan Konsumsi di Pasar Banyuasri Singaraja Menggunakan Convolutional Neural Network dengan Arsitektur VGG-16 dan MobileNetV2

Sudharsan, Satya (2026) Klasifikasi Jenis-Jenis Ikan Konsumsi di Pasar Banyuasri Singaraja Menggunakan Convolutional Neural Network dengan Arsitektur VGG-16 dan MobileNetV2. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215101040_COVER.pdf
Download (418kB)
[img] Text (ABSTRAK)
2215101040_ABSTRAK.pdf
Download (273kB)
[img] Text (BAB 1 PENDAHULUAN)
2215101040_BAB 1 PENDAHULUAN.pdf
Download (300kB)
[img] Text (BAB 2 KAJIAN TEORI)
2215101040_BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2215101040_BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101040_BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (702kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2215101040_BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (241kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215101040_DAFTAR PUSTAKA.pdf
Download (286kB)
[img] Text (LAMPIRAN)
2215101040_LAMPIRAN.pdf
Download (650kB)

Abstract

Sebagai salah satu pasar tradisional di Singaraja yang menjual beragam ikan konsumsi, Pasar Banyuasri menghadapi persoalan klasik seperti pembeli awam kerap keliru mengenali jenis ikan karena bentuk fisiknya yang serupa satu sama lain misalnya antara tongkol dengan cakalang, atau kembung dengan lemuru. Berangkat dari persoalan tersebut, penelitian ini dilakukan untuk menerapkan dua arsitektur Convolutional Neural Network (CNN), yakni VGG-16 dan MobileNetV2, sekaligus mengukur performa keduanya dalam mengenali 15 jenis ikan konsumsi berdasarkan citra. Sebanyak 750 citra ikan yang diambil langsung di Pasar Banyuasri digunakan sebagai dataset, kemudian melalui tahap preprocessing serta augmentasi data guna memperkaya variasi data latih. Kinerja kedua model diukur melalui empat metrik, yaitu Accuracy, Precision, Recall, dan F1-Score. Berdasarkan hasil pengujian, MobileNetV2 tampil lebih unggul dibandingkan VGG-16, dengan capaian Accuracy 90,67%, Precision 91,28%, Recall 90,67%, dan F1-Score 90,66%, sedangkan VGG-16 memperoleh Accuracy 88,00%, Precision 89,03%, Recall 88,00%, serta F1-Score 87,33%. Hasil analisis confusion matrix mengungkap bahwa kedua arsitektur sama-sama masih menghadapi tantangan dalam membedakan kelas ikan dengan kemiripan visual tinggi (fine-grained), meskipun demikian MobileNetV2 terbukti lebih akurat sekaligus lebih efisien secara komputasi. Model dengan performa terbaik selanjutnya diintegrasikan ke dalam sebuah aplikasi web berbasis framework Flask, yang dirancang untuk membantu masyarakat mengenali jenis ikan secara lebih cepat dan objektif.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Convolutional Neural Network, VGG-16, MobileNetV2, Klasifikasi Ikan, Deep Learning.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Gusti Nyoman Satya Sudharsan
Date Deposited: 10 Aug 2026 02:43
Last Modified: 10 Aug 2026 02:43
URI: http://repo.undiksha.ac.id/id/eprint/32358

Actions (login required)

View Item View Item