ISASISAS

Journal of Applied Smart Electrical Network and SystemsJournal of Applied Smart Electrical Network and Systems

Penelitian ini mengusulkan penggunaan Faster Region-based Convolutional Neural Network (Faster R-CNN) untuk mendeteksi dua jenis ikan, yaitu Manfish dan Lemonfish, dalam video. Dataset diperoleh dengan mengekstraksi frame dari video dan memprosesnya menggunakan platform Roboflow. Model dilatih dan diuji dengan menggunakan training dan testing set yang telah disiapkan. Proses pelatihan dilakukan selama 40 epoch dengan algoritma optimasi Adam untuk meningkatkan akurasi deteksi. Evaluasi model dilakukan menggunakan berbagai metrik, seperti Precision, Recall, F1-score, mean Average Precision (mAP), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan R-squared (R²). Hasil penelitian menunjukkan bahwa model mencapai presisi sebesar 94% untuk kelas Lemonfish dan presisi sebesar 95% untuk kelas Manfish, dengan mAP sebesar 57%. Meskipun model menunjukkan kinerja yang baik, masih terdapat peluang untuk meningkatkan akurasi dengan optimalisasi lebih lanjut.

Penelitian ini berhasil mengembangkan model deteksi ikan berbasis deep learning dengan menggunakan Faster R-CNN.Model dilatih dengan dataset gambar yang diekstraksi dari video menggunakan Roboflow dan diuji untuk mendeteksi dua jenis ikan, yaitu Manfish dan Lemonfish.Hasil evaluasi menunjukkan bahwa model mencapai precision sebesar 94% untuk Lemonfish dan 95% untuk Manfish, dengan nilai mean Average Precision (mAP) sebesar 57%.Meskipun model menunjukkan performa yang baik dalam mendeteksi ikan, masih terdapat beberapa keterbatasan, seperti nilai mAP yang relatif rendah dibandingkan dengan nilai precision, recall, dan F1-score.

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan efisiensi model deteksi ikan. Pertama, perlu dilakukan eksplorasi terhadap teknik augmentasi data yang lebih beragam untuk memperkaya dataset pelatihan dan meningkatkan kemampuan model dalam mengenali variasi posisi, ukuran, dan kondisi pencahayaan ikan. Kedua, dapat dipertimbangkan penggunaan arsitektur jaringan saraf yang lebih canggih, seperti ResNet atau Inception, sebagai backbone untuk Faster R-CNN, dengan tujuan meningkatkan kemampuan ekstraksi fitur dan akurasi deteksi. Ketiga, pengembangan model yang mampu mendeteksi ikan dalam berbagai kondisi lingkungan akuatik, termasuk kondisi air yang keruh atau memiliki vegetasi yang lebat, akan sangat bermanfaat untuk aplikasi monitoring dan manajemen populasi ikan di lingkungan perairan yang kompleks.

Read online
File size1.91 MB
Pages8
DMCAReport

Related /

ads-block-test