Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Rayhan Rasyad, Muhammad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Optimasi Model Deep Learning Menggunakan Knowledge Distillation dan Quantization untuk Klasifikasi Penyakit Ikan pada Raspberry PI Rayhan Rasyad, Muhammad; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit ikan lele merupakan salah satu permasalahan dalam kegiatan budidaya yang dapat menurunkan produktivitas apabila tidak terdeteksi sejak dini. Identifikasi tingkat keparahan penyakit secara manual memiliki keterbatasan karena bergantung pada pengamatan visual dan pengalaman pengguna. Penelitian ini mengembangkan sistem klasifikasi tingkat keparahan penyakit ikan lele berbasis deep learning yang dapat diterapkan pada perangkat edge computing dengan sumber daya terbatas. Metode Knowledge Distillation diterapkan menggunakan ResNet50, ResNet101, dan ResNet152 sebagai teacher model serta ResNet18 sebagai student model. Model terbaik kemudian dioptimasi menggunakan Post-Training Quantization berbasis INT8 dan diimplementasikan pada Raspberry Pi 4 Model B menggunakan kamera OV5647 untuk proses inferensi secara langsung. Hasil pengujian menunjukkan bahwa model terbaik pada dataset tidak seimbang diperoleh dari ResNet18 hasil distilasi menggunakan ResNet152 dengan accuracy sebesar 97,20% dan F1-score sebesar 94,28%, sedangkan pada dataset seimbang diperoleh dari ResNet18 hasil distilasi menggunakan ResNet50 dengan accuracy sebesar 97,20% dan F1-score sebesar 94,31%. Penerapan quantization mampu meningkatkan efisiensi model dengan menurunkan waktu inferensi tanpa mengurangi performa klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi Knowledge Distillation dan Post-Training Quantization mampu menghasilkan model deep learning yang efisien untuk implementasi klasifikasi tingkat keparahan penyakit ikan pada perangkat edge computing.
Co-Authors Utaminingrum, Fitri