Detection of the Types of Consumable Saltwater Fish in the Coastal Area of Likupang Uses the Convolutional Neural Network Method
Bilah Samping Artikel
Read Counter : 375
Download : 277
Isi Artikel Utama
Abstrak
Di perairan Likupang terdapat banyak jenis ikan air asin yang bisa dikonsumsi, seperti tuna dan cakalang. Namun, ada juga jenis ikan air asin yang tidak boleh dikonsumsi atau dilindungi oleh pemerintah, seperti ikan napoleon dan kingfish laut. Oleh karena itu, pengklasifikasian jenis ikan air asin yang boleh dikonsumsi, ikan tidak boleh dikonsumsi, atau ikan dilindungi di perairan Likupang merupakan pekerjaan yang membutuhkan pengetahuan dan waktu yang lama. Mengetahui banyaknya jenis ikan air asin yang tidak dapat dengan cepat dibedakan antara ikan yang dapat dimakan dan tidak dapat dikonsumsi, maka perlu adanya pendekatan digital untuk mengidentifikasi jenis ikan air asin dengan cepat dan mudah. Metode Convolutional Neural Network (CNN) dapat digunakan untuk membedakan citra dengan mengenali beberapa piksel pada citra dua dimensi dan warna RGB (Merah, Hijau, Biru) yang kemudian diubah menjadi matriks dengan berbagai nilai sehingga menjadikannya memudahkan sistem untuk mengenali gambar dua dimensi. Dengan menggunakan data uji 40% (143 citra) dan 60% data latih (213 citra), penelitian ini memperoleh uji akurasi dalam mengidentifikasi dan mengklasifikasi citra ikan yang dapat dikonsumsi, ikan yang tidak bisa dikonsumsi, dan gambar bukan fish dengan persentase masing-masing sebesar 94%, 98%, dan 95%.
Rincian Artikel
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
Angdresey, A., Sitanayah, L., & Kairupan, T. V. (2021). A Soil Monitoring and Recommendation System for Ornamental Plants. 2021 6th International Conference on New Media Studies (CONMEDIA) (pp. 40-45). Tangerang, Indonesia: IEEE.
Awangga, R. M., & Putro, E. C. (2020). Tutorial Gender Classification Using The You Look Only Once (YOLO). Bandung: Kreatif Industri Nusantara.
Coulibaly, S., Kamsu-Foguem, B., Kamissoko, D., Traore, D. (2022). Deep Convolution Neural Network sharing for the multi-label images Classification. Machine Learning with Application, 10, 1-17.
Fouad, M.M.M., Zawbaa, H.M., El-Bendary, N., & Hassanien, A.E. (2013). Automatic Nile Tilapia Fish Classification Approach Using Machine Learning Techniques. 13th International Conference on Hybrid Intelligent Systems (HIS). Tunisia: Gammarth.
Gaba, S., Budhira, I., Kumar, V., Garg, S., Kaddoum, G., & Hassan, M. M. (2022). A Federated Calibration Scheme for Convolutional Neural Networks: Models, Applications and Challenges. Computer Communications, 192, 144-162.
Haar, L. V., Elvira, T., & Ochoa, O. (2022). An analysis of explainability methods for convolutional neural networks. Engineering Applications of Artificial Intelligence, Part A, 117,105606.
Hasan, M., Ullah, S., Khan, M. J., & Khurshidi, K. (June 10-14, 2019). Comparative Analysis Of SVM, ANN, and CNN For Classifying Vegetation Species Using Hyperspectral Thermal Infrared Data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. The Netherlands: Enschede.
Hassan, Y. A. (2020). Hukum Laut Konservasi Sumber Daya Ikan di Indonesia. Jakarta Timur: Prenadamedia Group.
Hibatullah, A. (2019). Penerapan Metode Convolutional Neural Network Pada Pengenalan Pola Citra Sandi Rumput. Bandung: Universitas Komputer Indonesia.
Huang, F., Tan, X., Huang, R., & Xu, Q. (2022). Variational Convolutional Neural Networks Classifiers. Physica A: Statistical Mechanics and its Applications, 605, 128067.
Karlam, A. (2019). Adaptive Moment Estimation Pada Convolutional Neural Network Untuk Pengenalan Motif Kain Batik. Bandung: Universitas Komputer Indonesia.
Kementerian Kelautan dan Perikanan. (2017, November). Direktorat Jenderal Pengelolaan Ruang Laut. Retrieved from Kementrian Kelautan dan Perikanan: https://kkp.go.id/djprl/artikel/709-peraturan- menteri-kelautan-dan-perikanan-no-35-tahun-2013.
Kosasih, R., & Fadila, N. (2019). Klasifikasi Jenis Kendaraan Menggunakan Metode Convolutional Neural Network (CNN). Jurnal Ilmiah Teknologi dan Rekayasa, 24, 3, 207-215.
Kusrini, Luthfi, E. T., & Rahim, A. (2020). Convolutional Neural Network Untuk Klasifikasi Penggunaan Masker. Jurnal Teknologi Informasi dan Komunikasi, 10, 109-115.
Liu, K., Kang, G., Zhang, N., & Hou, B. (2018). Breast Cancer Classification Based on Fully-Connected Layer First Convolutional Neural Networks. IEEE Access, 23722-23732.
Massijaya. (2016). Pengembangan Perikanan, Kelautan dan Maritim untuk Kesejahteraan Rakyat. Bogor: PT. IPB Press.
Pratiwi, H. A., Cahyanti, M., & Lamsani, M. (2021). Implementasi Deep Learning Flower Scanner Menggunakan Metode Convolutional Neural Network. Sebatik, 124-130.
Prasenan, P., & Suriyakala, C. D. (2022). Fish Species Classification Using A Collaborative Technique Of Firefly Algorithm And Neural Network. EURASIP Journal on Advances in Signal Processing, 116, 1-23.
Qin, H., Li, X., Liang, J., Peng, Y., & Zhang. C. (2016). Deepfish: Accurate Underwater Live Fish Recognition With A Deep Architecture. Neurocomputing, 187, 49–58.
Sari, I. R. (2021). Implementasi Convolutional Neural Networks (Cnn) Untuk Klasifikasi Citra Benih Kacang Hijau Berkualitas. Semarang: Universitas Muhammadiyah Semarang.
Salman, A., Siddiqui, S. A., Shafait, F., Mian, A., Shortis, M. R., Khurshid, K., Ulges, A., & Schwanecke, U. (2019). Automatic Fish Detection In Underwater Videos By A Deep Neural Network-Based Hybrid Motion Learning System. ICES Journal of Marine Science, 77, 4, July-August 2020, 1295–1307.
Seo, J. H., & Kwon, D. S. (2017). Learning Similarity Metric For Comparing RGB-D Image Patches by CNN. 2017 14th International Conference on Ubiquitous Robots and Ambient Intelligence (URAI) (pp. 490-491). Jeju: IEEE.
Villon, S., Mouillot, D., Chaumont, M., Darling, E.S., Subsol, G., Claverie, T., & Villéger, S. (2018). A Deep Learning Method For Accurate And Fast Identification Of Coral Reef Fishes In Underwater Images. Ecological Informatics, 48, 238-244.
Walter, B. (2022). Analysis Of Convolutional Neural Network Image Classifiers In A Hierarchical Max-Pooling Model With Additional Local Pooling. Journal of Statistical Planning and Inference, 224, 109-126.
Wijaya, A. Y., Soelaiman, R., & Suartika, E. P. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) Pada Caltech 101. Jurnal Teknik ITS, 5, 1, 65-67.
Wiranata, A., Wibowo, S. A., Patmasari, R., Rahmania, R., & Mayasari, R. (2018). Investigation of Padding Schemes for Faster R-CNN on Vehicle Detection. 2018 International Conference on Control, Electronics, Renewable Energy and Communications (ICCEREC) (pp. 208-212). Bandung, Indonesia: IEEE.
Yepez, J., & Ko, S. B. (2020). Stride 2 1-D, 2-D, and 3-D Winograd for Convolutional Neural Networks. IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 853-863.