Publisher

UNAIRUNAIR

Journal Jurnal Ilmiah Perikanan dan KelautanJurnal Ilmiah Perikanan dan Kelautan Abstract

Identifikasi spesies ikan laut secara akurat dapat menjadi tantangan karena kesamaan anatomi dan pola warna yang halus, yang sering kali menyebabkan kesalahan klasifikasi selama penilaian ekologis dan operasi perikanan. Metode identifikasi manual memakan waktu dan rentan terhadap kesalahan terutama dalam lingkungan throughput tinggi seperti pasar ikan. Dalam penelitian ini, transfer learning digunakan untuk mengevaluasi tiga model deep learning ResNet-50, AlexNet, dan GoogLeNet pada total 20.325 gambar dari dua puluh spesies ikan laut yang diperoleh dari Kuantan (Pahang) dan Mengabang Telipot (Kuala Nerus), Malaysia. Semua gambar diklasifikasikan secara morfologis sebagai ikan utuh, kepala, tubuh, dan ekor. Dataset tersebut menjalani prosedur pra-pengolahan yang mencakup penyesuaian ukuran gambar, normalisasi piksel, dan teknik augmentasi data yang terdiri dari rotasi acak (±15°), pembalikan horizontal, penyesuaian kecerahan dan kontras (±20%), dan pemotongan. Kemudian, dataset tersebut dibagi menjadi set pelatihan 80% (16.260 gambar), set validasi 10% (2.032 gambar), dan set uji 10% (2.033 gambar). Pola klasifikasi dianalisis menggunakan matriks kebingungan dan metrik standar seperti akurasi, presisi, dan recall. ResNet-50 menunjukkan kinerja terbaik, mencapai hasil ideal dengan akurasi, presisi, dan recall 100% di setiap kategori. GoogleNet dan AlexNet berada di posisi kedua dan ketiga dengan akurasi masing-masing 99,5% dan 99,4%. Penelitian ini menunjukkan bahwa model deep learning, khususnya ResNet-50, mencapai cara yang akurat dan efisien untuk mengklasifikasikan spesies ikan secara otomatis. Dengan gambar multi-view, augmentasi data, dan transfer learning, model ini berfungsi dengan baik bahkan dalam kondisi visual yang sulit. Hasil ini mendukung penggunaan model dalam pemantauan perikanan real-time, studi keanekaragaman hayati, dan penilaian dampak lingkungan.

Conclusion

Dalam penelitian ini, tiga arsitektur Convolutional Neural Network (CNN) yaitu ResNet-50, AlexNet, dan GoogLeNet dibandingkan dalam mengklasifikasikan 20 spesies ikan lokal.Menggunakan dataset yang terannotasi dengan baik sekitar 20.000 gambar bawah air yang ditangkap dari berbagai perspektif anatomi, semua model yang diusulkan mencapai akurasi klasifikasi yang tinggi.Di antara tiga model yang diusulkan, ResNet-50 memiliki akurasi klasifikasi tertinggi.Hal ini kemungkinan disebabkan oleh koneksi skip residual yang membantu mengurangi degradasi pada jaringan yang lebih dalam.Kesalahan klasifikasi minor yang terjadi, seperti pada Pampus argenteus, kemungkinan disebabkan oleh fitur visual yang tumpang tindih dan/atau kualitas gambar yang tidak konsisten.Yang terpenting, penelitian saat ini menunjukkan bahwa dataset yang terlabel dengan baik sangat penting bagi model untuk mengidentifikasi fitur dan simetri yang lebih halus, alih-alih hanya bergantung pada arsitekturnya.Tanpa cukup data yang terlabel, bahkan arsitektur state-of-the-art mungkin akan kesulitan mencapai kinerja klasifikasi yang baik dalam lingkungan bawah air yang heterogen.Hasil menunjukkan bahwa deep learning adalah metode yang layak dan kuat untuk mengklasifikasikan spesies bawah air jika dataset yang cukup terlabel tersedia.Ke depan, hasil penelitian mengidentifikasi beberapa kesenjangan penelitian utama.(i) cakupan taksonomi yang lebih luas, yaitu lebih banyak spesies dan lingkungan, (ii) optimasi untuk penerapan real-time (misalnya transfer learning, arsitektur ringan), dan (iii) integrasi mulus model klasifikasi ke dalam sistem pemantauan perikanan.Resolusi terhadap kesenjangan ini dapat membantu meningkatkan adaptabilitas terhadap berbagai konteks ekologis.Melihat ke depan, hasil penelitian ini menyoroti beberapa area menarik untuk penelitian lebih lanjut.(1) memperluas cakupan taksonomi dengan memasukkan lebih banyak spesies dan lingkungan, (2) meningkatkan model untuk penerapan real-time menggunakan teknik seperti transfer learning dan arsitektur ringan, (3) mengintegrasikan model klasifikasi ke dalam sistem pemantauan perikanan untuk membuatnya lebih efektif.Secara kolektif, arah-arah ini dapat meningkatkan adaptabilitas di berbagai pengaturan ekologis dan lingkungan yang terbatas sumber daya.Dengan menghubungkan deep learning dengan ilmu perikanan, penelitian ini meletakkan dasar untuk pemantauan ekosistem yang lebih baik, pengelolaan perikanan yang berkelanjutan, dan konservasi keanekaragaman hayati laut.Upaya masa depan harus bertujuan untuk meningkatkan kapasitas model untuk menggeneralisasi, mentransfer pengetahuan, dan melakukan inferensi langsung pada perangkat untuk lebih memenuhi persyaratan kompleks pengelolaan sumber daya laut.

Future Research

Berdasarkan hasil penelitian, beberapa saran penelitian lanjutan yang dapat diusulkan adalah: Pertama, perluasan cakupan taksonomi dengan memasukkan lebih banyak spesies dan lingkungan. Hal ini akan meningkatkan keakuratan dan kehandalan model dalam mengklasifikasikan spesies ikan yang beragam. Kedua, optimasi untuk penerapan real-time, seperti dengan menggunakan transfer learning dan arsitektur ringan. Teknik-teknik ini dapat meningkatkan efisiensi dan kecepatan model dalam mengklasifikasikan spesies ikan secara real-time, yang sangat penting dalam aplikasi praktis seperti pemantauan perikanan. Ketiga, integrasi mulus model klasifikasi ke dalam sistem pemantauan perikanan. Dengan mengintegrasikan model deep learning ke dalam sistem pemantauan perikanan yang ada, akan memungkinkan pemantauan dan pengklasifikasian spesies ikan secara otomatis dan akurat. Hal ini dapat membantu dalam pengelolaan perikanan yang berkelanjutan dan konservasi keanekaragaman hayati laut.

References

1. Full article: An analysis of rotation matrix and colour constancy data augmentation in classifying images... tandfonline.com/doi/abs/10.1080/24751839.2018.1479932Full article An analysis of rotation matrix and colour constancy data augmentation in classifying images tandfonline doi abs 10 1080 24751839 2018 1479932
2. Deep Learning Models Performance on Marine Fish Species Classification | Jurnal Ilmiah Perikanan dan... e-journal.unair.ac.id/JIPK/article/view/71815Deep Learning Models Performance on Marine Fish Species Classification Jurnal Ilmiah Perikanan dan e journal unair ac JIPK article view 71815
3. Deep Learning-Enabled Morphometric Analysis for Toxicity Screening Using Zebrafish Larvae | Environmental... pubs.acs.org/doi/abs/10.1021/acs.est.3c00593Deep Learning Enabled Morphometric Analysis for Toxicity Screening Using Zebrafish Larvae Environmental pubs acs doi abs 10 1021 acs est 3c00593
4. The intelligent object detection framework for detecting fish from underwater images | International... inderscienceonline.com/doi/abs/10.1504/IJCNDS.2025.142996The intelligent object detection framework for detecting fish from underwater images International inderscienceonline doi abs 10 1504 IJCNDS 2025 142996
5. Computer vision and deep learning for fish classification in underwater habitats: A survey - Saleh -... onlinelibrary.wiley.com/doi/abs/10.1111/faf.12666Computer vision and deep learning for fish classification in underwater habitats A survey Saleh onlinelibrary wiley doi abs 10 1111 faf 12666

Metadata

File size	3.75 MB
Pages	19
DMCA	Report