DETEKSI IKAN TONGKOL BERFORMALIN MENGGUNAKAN CITRA KULIT IKAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ResNet-50

Dewa, Krisna Arga (2023) DETEKSI IKAN TONGKOL BERFORMALIN MENGGUNAKAN CITRA KULIT IKAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK ResNet-50. Diploma thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

	Text 1. Skripsi Fulltext_123160102_Krisna Arga Dewa.pdf Restricted to Repository staff only Download (2MB)
	Text 2. Abstrak_123160102_Krisna Arga Dewa.pdf Download (454kB)
	Text 3. Cover_123160102_Krisna Arga Dewa.pdf Download (316kB)
	Text 4. Lembar Pengesahan_123160102_Krisna Arga Dewa.pdf Download (2MB)
	Text 5. Daftar Isi_123160102_Krisna Arga Dewa.pdf Download (3MB)
	Text 6. Daftar Pustaka_123160102_Krisna Arga Dewa.pdf Download (316kB)

Abstract

Penggunaan formalin sebagai pengawet ikan sedang marak di Indonesia, hal tersebut
dilakukan oleh nelayan curang(Pariyandani et al. 2019) . Alasan mereka memilih formalin
adalah karena kemudahan dan kecepatan penggunaannya dibandingkan dengan metode
tradisional (Simanjuntak and Silalahi, 2022). Namun, penggunaan formalin memiliki
dampak negatif serius terhadap kesehatan manusia (Pirdia Wanti et al., 2021). Deteksi
formalin pada ikan umumnya dilakukan melalui pengujian laboratorium yang rumit dan
mahal (Made et al., 2021). Oleh karena itu, penelitian ini menggunakan pendekatan
pengolahan citra melalui algoritma deep learning untuk menemukan solusi yang lebih
ekonomis dan efisien. Sebagai ikan yang populer di Indonesia (Fitriyah, Syauqy and Susilo,
2020) Ikan tongkol tidak luput dari praktik pemberian formalin. Di pasar tradisional
Pamatangsari ditemukan kandungan formalin rata-rata 1,73 mg/L pada ikan tongkol
(Simanjuntak and Silalahi 2022). Selain itu, Indonesia juga merupakan produsen ikan
tongkol terbesar di dunia bersama dengan ikan tuna dan cakalang (Rudi Hartanto, Suharno,
and Burhanuddin, 2021). Oleh karena itu, penelitian ini memilih ikan tongkol sebagai objek
penelitian.
Penelitian ini mengimplementasikan algoritma Convolutional Neural Network
(CNN) dengan arsitektur ResNet-50 dalam pengolahan citra untuk mendeteksi ikan tongkol
yang terkontaminasi formalin menggunakan fitur kulit ikan sebagai acuan dalam data latih.
Dalam implementasinya, ResNet-50 menerapkan konsep skip connection pada arsitektur
CNN tersebut. Skip connection memungkinkan informasi dari lapisan sebelumnya dijalur
langsung terhubung ke lapisan berikutnya, sehingga mengatasi masalah degradasi performa
yang sering terjadi pada jaringan yang deep.
Penelitian ini melibatkan serangkaian pengujian. Pengujian dengan confusion matrix
dengan citra yang background-nya disamakan terhadap data latih menunjukkan bahwa
model CNN ResNet-50 mampu mendeteksi ikan tongkol berformalin dari data Uji sebanyak
4608 dengan capaian akurasi 99,34%, presisi 99,78%, recall 98,91%, dan F1-Score 99,34%.
Pengujian berikutnya adalah pengujian akurasi sistem terhadap jarak yang masing-masing
jarak menggunakan data 64 citra dengan background yang sama dengan data latih,
menghasilkan akurasi 100% pada jarak 20 cm dan 40cm, dan baru mengalami sedikit
penurunan akurasi pada jarak 60cm dengan akurasi 96,87%. Pengujian terakhir adalah
akurasi sistem terhadap background yang berbeda-beda menghasilkan akurasi 68.75%
terhadap background Red dari 64 citra, 60.93% terhadap background Green dari 64 citra,
70.31% terhadap background Blue dari 64 citra, dan 59.37% terhadap background Random
dari 64 citra.
Kata Kunci : Formalin, Ikan Tongkol, Deteksi, Deep Learning, Convolutional Neural
Network, ResNet50

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Formalin, Ikan Tongkol, Deteksi, Deep Learning, Convolutional Neural Network, ResNet50
Subjects:	Q Science > Q Science (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eny Suparny
Date Deposited:	01 Sep 2023 03:00
Last Modified:	01 Sep 2023 03:00
URI:	http://eprints.upnyk.ac.id/id/eprint/37309

Actions (login required)

View Item