Analisis Performa Model MobileNetV2 dan CLIP pada Klasifikasi Kesegaran Ikan Berdasarkan Citra Mata Ikan

ANUGRAH MOHAMAD FADILLAH, . (2026) Analisis Performa Model MobileNetV2 dan CLIP pada Klasifikasi Kesegaran Ikan Berdasarkan Citra Mata Ikan. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 123220062_cover - Anugrah Mohamad Fadillah.pdf Download (348kB)
	Text 123220062_Abstrak - Anugrah Mohamad Fadillah.pdf Download (143kB)
	Text 123220062_Halaman Pengesahan - Anugrah Mohamad Fadillah.pdf Download (4MB)
	Text 123220062_Daftar Isi - Anugrah Mohamad Fadillah.pdf Download (164kB)
	Text 123220062_Daftar Pustaka - Anugrah Mohamad Fadillah.pdf Download (127kB)
	Text 123220062_FullText - Anugrah Mohamad Fadillah.pdf Restricted to Repository staff only Download (17MB)

Abstract

Penelitian ini menganalisis dan membandingkan kinerja dua arsitektur model deep learning dalam mengklasifikasikan tingkat kesegaran ikan berdasarkan citra mata ikan: Model Standar berbasis MobileNetV2 dan Model Hybrid yang mengintegrasikan MobileNetV2 dengan Contrastive Language-Image Pre-training (CLIP) melalui mekanisme Feature-Level Fusion. Kesegaran ikan merupakan faktor penting yang menentukan kualitas, keamanan pangan, dan nilai ekonomis produk perikanan. Metode penilaian konvensional berbasis pengamatan organoleptik bersifat subjektif dan tidak konsisten, sehingga diperlukan pendekatan otomatis yang lebih objektif.
Dataset yang digunakan adalah Freshness of Fish Eyes (FFE) yang terdiri dari 4.392 citra mata delapan spesies ikan, diklasifikasikan ke dalam tiga kategori kesegaran: Highly Fresh, Fresh, dan Not Fresh. Pra-pemrosesan mencakup resize citra ke resolusi 224×224 piksel, normalisasi piksel menggunakan parameter ImageNet, serta augmentasi data on-the-fly. Evaluasi dilakukan menggunakan skema 10-Fold Stratified Cross Validation dengan metrik Accuracy, Precision, Recall, dan F1-Score.
Hasil pengujian menunjukkan bahwa Model Standar memperoleh mean accuracy sebesar 78,18% dengan standar deviasi 2,55%, sedangkan Model Hybrid memperoleh mean accuracy sebesar 78,47% dengan standar deviasi 1,91%. Selisih akurasi keseluruhan sebesar 0,29 poin persentase tidak signifikan secara statistik, namun perbandingan metrik per kelas mengungkap perbedaan yang lebih substantif. Model Hybrid memperoleh macro average F1-Score sebesar 74,82%, lebih tinggi dibandingkan Model Standar sebesar 73,35%. Peningkatan paling signifikan terjadi pada Precision kelas Not Fresh, di mana Model Hybrid mencapai 78,81% dibandingkan Model Standar yang hanya 68,49%. Visualisasi Grad-CAM menunjukkan bahwa Model Hybrid menghasilkan aktivasi yang lebih terfokus pada area kornea dan pupil mata ikan dibandingkan Model Standar.
Penelitian ini menyimpulkan bahwa pemilihan model optimal bergantung pada konteks penggunaan: Model Standar lebih unggul dalam efisiensi dan konsistensi, sedangkan Model Hybrid lebih sesuai untuk aplikasi keamanan pangan yang mengutamakan keseimbangan performa antar kelas.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	kesegaran ikan, klasifikasi citra, deep learning, MobileNetV2, CLIP
Subjek:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	06 Oct 2026 08:34
Last Modified:	06 Oct 2026 08:34
URI:	http://eprints.upnyk.ac.id/id/eprint/49537

Actions (login required)

View Item