HAMZANWADIHAMZANWADI

Edumatic: Jurnal Pendidikan InformatikaEdumatic: Jurnal Pendidikan Informatika

Penilaian kesegaran ikan sangat penting untuk menjamin kualitas makanan dan keamanan konsumen; namun, pemeriksaan visual konvensional tetap bersifat subyektif dan tidak konsisten. Meskipun pembelajaran dalam telah menunjukkan kinerja yang menjanjikan dalam klasifikasi gambar, pembanding standar Jaringan Saraf Konvolusi (CNN) dan Klasifikasi YOLOv8 di bawah pengaturan eksperimental identik untuk klasifikasi kesegaran ikan tingkat halus tetap terbatas. Studi ini membandingkan kedua model menggunakan dataset yang sama, jalur pra-pemrosesan, strategi peningkatan, dan konfigurasi pelatihan untuk mengevaluasi kinerja prediktif dan efisiensi komputasi. Dataset terdiri dari gambar digital tongkol dan slungsung ikan yang dikategorikan menjadi empat kelas: Tongkol Segar, Tongkol Busuk, Slungsung Segar, dan Slungsung Busuk. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, F1-score, waktu pelatihan, dan kecepatan inferensi. CNN mencapai kinerja prediktif unggul dengan akurasi 99,25%, presisi 99,13%, recall 99,13%, dan F1-score 99,13%, sedangkan Klasifikasi YOLOv8 mencapai akurasi 89,88%, presisi 89,96%, recall 89,88%, dan F1-score 89,89%. Sebaliknya, YOLOv8 hanya membutuhkan waktu 15 menit untuk pelatihan dan 9 ms per gambar untuk inferensi, dibandingkan dengan 23 menit 20 detik dan 18 ms untuk CNN. Temuan ini menetapkan pembanding yang kuat untuk memilih arsitektur pembelajaran dalam dengan menyeimbangkan akurasi prediktif dan efisiensi komputasi dalam sistem inspeksi kesegaran ikan otomatis.

Studi ini menunjukkan bahwa pemilihan arsitektur pembelajaran dalam untuk klasifikasi kesegaran ikan harus mempertimbangkan kinerja prediktif dan efisiensi komputasi.Di bawah kondisi eksperimental yang identik, CNN mencapai akurasi klasifikasi yang unggul dengan efektif menangkap karakteristik visual halus yang terkait dengan kesegaran ikan, sedangkan Klasifikasi YOLOv8 menyediakan pelatihan dan inferensi yang lebih cepat, menjadikannya lebih cocok untuk aplikasi waktu nyata dengan sumber daya komputasi terbatas.Selain membandingkan dua model pembelajaran dalam, studi ini menetapkan kerangka pembanding yang terstandarisasi yang memberikan panduan praktis untuk memilih arsitektur yang sesuai sesuai dengan persyaratan aplikasi dalam inspeksi kualitas makanan otomatis.Penelitian masa depan harus memvalidasi temuan ini menggunakan dataset yang lebih besar dan lebih beragam, spesies ikan tambahan, dan arsitektur pembelajaran dalam terbaru untuk meningkatkan generalisasi model dan mendukung implementasi yang lebih luas dalam sistem kontrol kualitas perikanan cerdas.

Untuk penelitian lanjutan, disarankan untuk memperluas dataset, mencakup spesies ikan tambahan, dan membandingkan berbagai arsitektur pembelajaran dalam yang canggih untuk meningkatkan generalisasi model. Selain itu, penting untuk mengevaluasi ketahanan model menggunakan dataset yang lebih besar dan lebih heterogen yang dikumpulkan di bawah kondisi operasi yang realistis. Penelitian masa depan juga dapat mengeksplorasi integrasi arsitektur pembelajaran dalam yang canggih dengan optimasi spesifik domain untuk lebih meningkatkan kinerja sistem inspeksi kualitas makanan berbasis citra.

  1.  . 0 doi.org/10.3390/foods14132350A 0 doi 10 3390 foods14132350
  2. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s42452-025-06472-wClient Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s42452 025 06472 w
  3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s12161-026-03019-6Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s12161 026 03019 6
Read online
File size681.03 KB
Pages10
DMCAReport

Related /

ads-block-test