Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Erlita Erlita
Institut Teknologi Pendidikan dan Bisnis (ITPB) Qana'ah Sidenreng Rappang
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Identifikasi Kesegaran Ikan Berbasis Android Menggunakan Convolutional Neural Network (CNN) Justam Justam; Muh. Nashir Takbir; Sitti Mawaddah Umar; Erlita Erlita; Revah Oktria Lewa
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.271

Abstract

Ikan merupakan sumber protein hewani penting dengan kandungan vitamin dan mineral esensial yang tinggi. Sebagai negara kepulauan, Indonesia memiliki potensi perikanan yang besar, namun masih banyak masyarakat yang kesulitan membedakan ikan segar dan tidak segar. Penelitian ini mengembangkan sistem berbasis Android untuk mengidentifikasi kesegaran ikan menggunakan Convolutional Neural Network (CNN). Model dilatih dengan 540 sampel gambar dalam tiga kategori (segar, baik, dan tidak layak) dengan resolusi 256 × 256 piksel RGB. CNN yang digunakan terdiri dari tiga lapisan konvolusi dan dua fully connected layer, dengan optimizer Adam dan fungsi aktivasi ReLU serta Softmax. Model dilatih di Google Colaboratory, lalu dikonversi ke TensorFlow Lite untuk diterapkan pada Android. Hasil pengujian menunjukkan akurasi 98% pada data uji dan 96,67% pada aplikasi Android dengan 60 sampel baru, membuktikan sistem mampu berfungsi dengan baik dalam mengidentifikasi kesegaran ikan
Perbandingan Kinerja YOLO vs Faster R-CNN untuk Deteksi & Estimasi Berat Ikan Justam Justam; Abdul Malik; Erlita Erlita; Deo Mangellak; Yuyun Yuyun
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 2 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i2.273

Abstract

Ikan kerapu dan ikan kakap memiliki nilai ekonomi tinggi di pasar global, sehingga identifikasi jenis dan estimasi beratnya menjadi aspek penting dalam perdagangan. Metode manual yang umum digunakan memerlukan waktu lama dan tenaga kerja besar. Oleh karena itu, penelitian ini membandingkan performa dua model deep learning, yaitu YOLO dan Faster R-CNN, dalam mendeteksi jenis dan mengestimasi berat ikan. Dataset terdiri dari 2.991 citra yang terbagi dalam 18 kelas dan diperluas melalui augmentasi menjadi 6.843 citra. Proses deteksi menggunakan detection threshold 0,8, dengan evaluasi berdasarkan precision, recall, accuracy, serta Mean Absolute Percentage Error (MAPE) untuk estimasi berat. Hasil menunjukkan bahwa model YOLO memiliki precision, recall, dan accuracy masing-masing sebesar 0,98, 0,98, dan 0,96, sedangkan Faster R-CNN mencapai 0,97, 0,98, dan 0,95. Untuk estimasi berat, MAPE YOLO pada citra sebesar 2,42% dan pada video 3,66%, sementara Faster R-CNN memiliki MAPE 14,62% pada citra dan 13,59% pada video. Dengan demikian, model YOLO menunjukkan kinerja lebih baik dibandingkan Faster R-CNN dalam mendeteksi jenis dan mengestimasi berat ikan
Co-Authors Abdul Malik Deo Mangellak Justam Justam Muh. Nashir Takbir Revah Oktria Lewa Sitti Mawaddah Umar Yuyun Yuyun