Deteksi Penyakit Bakteri Aeromonas Hydrophila Pada Ikan Air Tawar Menggunakan Metode Convolutional Neural Network

Abstract

Deteksi penyakit ikan merupakan tantangan penting dalam industri perikanan untuk menjaga kualitas dan produktivitas. Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis menggunakan deep learning berbasis transfer learning dengan arsitektur MobileNetV2 dan InceptionV3. Data yang digunakan terdiri dari gambar ikan yang dikategorikan dalam tiga kondisi kesehatan: aeromonas hydrophila, white spot, dan ikan dengan kondisi sehat. Dataset dibagi menjadi data pelatihan dan validasi dengan proporsi 80:20, dan diolah menggunakan teknik augmentasi untuk memperkaya variasi data. Proses pelatihan dilakukan selama 20 epoch dengan memantau metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi 80%, precision 100%, recall 67%, dan F1-score 80%. Hasil ini mengindikasikan bahwa metode transfer learning efektif dalam klasifikasi penyakit ikan pada dataset terbatas, meskipun terdapat keterbatasan dalam generalisasi model untuk kategori tertentu. Penelitian ini berkontribusi pada pengembangan teknologi deteksi penyakit ikan yang lebih efisien dan akurat, serta membuka peluang untuk peningkatan melalui perluasan dataset dan optimasi model.