Klasifikasi Ikan Gurame, Mas, dan Pacu Menggunakan Metode CNN
Keywords:
YOLO, klasifikasi jenis ikan, dataset, YOLO5, YOLO8Abstract
Teknologi deteksi objek berbasis deep learning telah mengalami perkembangan signifikan, dengan model YOLO (You Only Look Once) menjadi salah satu solusi yang paling efektif untuk aplikasi deteksi objek real-time. YOLO, dikembangkan oleh Joseph Redmon dan timnya, dikenal karena kemampuannya mendeteksi objek dengan akurasi tinggi dalam waktu singkat. Penelitian ini bertujuan untuk membandingkan performa dua varian YOLO, yaitu YOLO5 dan YOLO8, dalam klasifikasi jenis ikan, khususnya ikan gurame, ikan mas, dan ikan pacu. Dataset yang digunakan dalam penelitian ini terdiri dari foto-foto berbagai jenis ikan yang dilatih dan diuji menggunakan kedua model. Metrik yang digunakan untuk penilaian meliputi akurasi klasifikasi, kecepatan inferensi, dan beberapa metrik evaluasi lainnya. Hasil penelitian menunjukkan bahwa YOLO8 secara konsisten mengungguli YOLO5 dalam hal akurasi dan performa lainnya, menegaskan bahwa penggunaan arsitektur yang lebih kompleks dapat meningkatkan kemampuan model dalam mendeteksi dan mengklasifikasikan jenis ikan. Temuan ini mengindikasikan bahwa pemilihan model deteksi objek yang tepat memiliki dampak signifikan pada akurasi klasifikasi, terutama dalam aplikasi yang membutuhkan presisi tinggi seperti industri perikanan, akuakultur, dan konservasi. Penelitian ini diharapkan dapat memberikan kontribusi dalam kemajuan teknologi deteksi objek berbasis deep learning dalam berbagai bidang terkait.
References
A. P. Sari et al., “Prediction model of wind speed and direction using convolutional neural network - long short term memory,” in Proc. 2020 IEEE Int. Conf. Power Energy (PECon), Dec. 2020, doi: 10.1109/pecon48942.2020.9314474.
M. M. Al Haromainy et al., “Classification of Javanese script using convolutional neural network with data augmentation,” in Proc. 2022 IEEE 8th Information Technology International Seminar (ITIS), Oct. 2022, doi: 10.1109/itis57155.2022.10010262.
D. Alamsyah and D. Pratama, “Implementasi convolutional neural networks (CNN) untuk klasifikasi ekspresi citra wajah pada Fer-2013 dataset,” J. Teknol. Inform., vol. 4, no. 2, pp. 350–355, Dec. 2020, doi: 10.36294/jurti.v4i2.1714.
M. S. Hidayatulloh, “Sistem pengenalan wajah menggunakan metode YOLO (You Only Look Once),” undergraduate thesis, 2021.
H. Mubarok, “Identifikasi ekspresi wajah berbasis citra menggunakan algoritma Convolutional Neural Network,” undergraduate thesis, 2020.
Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi dan pengenalan objek dengan model machine learning: Model YOLO,” CESS (J. Comput. Eng. Syst. Sci.), vol. 6, no. 2, p. 192, Jul. 2021, doi: 10.24114/cess.v6i2.25840.
A. Wibowo, L. Lusiana, and T. K. Dewi, “Implementasi algoritma deep learning you only look once (yolov5) untuk deteksi buah segar dan busuk,” Paspalum: J. Ilmiah Pertanian, vol. 11, no. 1, p. 123, Mar. 2023, doi: 10.35138/paspalum.v11i1.489.
M. Horvat, L. Jelečević, and G. Gledec, “A comparative study of YOLOv5 models performance for image localization and classification,” in Proc. 33rd Central Eur. Conf. Inf. Intell. Syst. (CECIIS 2022), vol. 33, pp. 349–356, 2022.
I. P. Sary, S. Andromeda, and E. U. Armin, “Performance comparison of YOLOv5 and YOLOv8 architectures in human detection using aerial images,” Ultima Comput.: J. Syst. Komput., pp. 8–13, Jun. 2023, doi: 10.31937/sk.v15i1.3204.
F. Ramadhani, A. Satria, and S. Dewi, “Identifikasi kendaraan bermotor pada dashcam mobil menggunakan algoritma YOLO,” Hello World J. Ilmu Komput., vol. 2, no. 4, pp. 199–206, Mar. 2024, doi: 10.56211/helloworld.v2i4.466.
N. Mittal, A. Vaidya, and S. Kapoor, "Object detection and classification using YOLO," Int. J. Sci. Res. Eng. Trends, vol. 5, no. 2, pp. 871–875, 2019.
A. H. Ashraf et al., “Weapons detection for security and video surveillance using CNN and YOLO-V5s,” Comput. Mater. Continua, vol. 70, no. 2, pp. 2761–2775, 2022, doi: 10.32604/cmc.2022.018785.
C. K et al., “An efficient novel paradigm for object detection through web camera using Deep Learning (YOLOV5’s object detection model),” E3S Web Conf., vol. 391, p. 01093, 2023, doi: 10.1051/e3sconf/202339101093.
F. Jupiter, E. S. Negara, Y. N. Kunang, and M. I. Herdiansyah, “Implementasi algoritma CNN dan YOLO untuk mendeteksi jenis kendaraan pada jalan raya,” Explore: J. Syst. Inform. Telematika, vol. 14, no. 2, p. 110, Dec. 2023, doi: 10.36448/jsit.v14i2.3259.
L. Suroiyah and Y. Rahmawati, “Facemask detection using YOLO V5,” J. Tek. Inform. (JUTIF), vol. 4, Jul. 2023, doi: 10.21070/ups.1538.
