Article Per Year (5 Year)
p-Index From 2020 - 2025
2.165
P-Index
This Author published in this journals
All Journal Jurnal Infomedia JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Ilmiah Wahana Pendidikan Jurnal Altifani Penelitian dan Pengabdian kepada Masyarakat J-Intech (Journal of Information and Technology) Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Aurelia: Jurnal Penelitian dan Pengabdian Masyarakat Indonesia JOSAR (Journal of Students Academic Research) Jurnal ELTEK
Mawaddah, Udkhiati
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Nursing Public Health Social Sciences Other

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Infomedia

 1 
Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Untuk Klasifikasi Jenis Ikan Mas Koki (Carassius Auratus) Berdasarkan Ciri Morfologi Alamsyah, Isnan Ridho; Budiman, Saiful Nur; Mawaddah, Udkhiati
Jurnal Infomedia: Teknik Informatika, Multimedia, dan Jaringan Vol 10, No 2 (2025): Jurnal Infomedia
Publisher : Politeknik Negeri Lhokseumawe

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30811/jim.v10i2.7636

Abstract

Ikan mas koki (Carassius auratus) merupakan komoditas ikan hias unggulan Indonesia dengan nilai ekonomi tinggi, namun identifikasi varietasnya secara manual bersifat subjektif dan tidak efisien. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis Deep Learning untuk mengidentifikasi tiga varietas ikan koki utama: Oranda, Ranchu, dan Ryukin berdasarkan ciri morfologi. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur transfer learning pada model MobileNetV2 yang telah dilatih sebelumnya pada dataset ImageNet. Dataset terdiri dari 240 gambar yang dibagi menjadi data latih (192 gambar) dan data uji (48 gambar). Teknik augmentasi data diterapkan untuk meningkatkan variasi dan mencegah overfitting. Hasil pelatihan model menunjukkan akurasi sebesar 95,35% pada data latih dan 93,75% pada data uji. Evaluasi per kelas menunjukkan akurasi tertinggi untuk Oranda (99,36%), diikuti Ranchu (91,00%), dan Ryukin (68,58%). Performa yang lebih rendah pada Ryukin disebabkan oleh kemiripan morfologinya dengan varietas lain. Hasil penelitian membuktikan bahwa CNN sangat potensial digunakan untuk automasi klasifikasi ikan koki, mendukung program breeding dan standardisasi kualitas dalam industri akuakultur.
Co-Authors Abdi Pandu Kusuma Adi Purnama, Candra Alamsyah, Isnan Ridho Chulkamd, Mukh Taofik Chulkamdi, Mukh Taofik Ferdianto, Hendra Ferdianto Hadi Irawan, Zidhan Hartami Santi, Indyah Lathoif, Miftakhul Lestanti, Sri Nugraha Putra, Muhammad Putri Rochfiani Raihan, Muhammad Iqbal Saiful Nur Budiman Santi, Indyah Hartami Santiko, Mohandes Sutanto, Yufi Priyo Wahyuni, Ervika Dewi Wulansari, Zunita Yuana, Haris Zaenal Zaenal, Zaenal Zain Zakaria, Robby Zen, Mohammad Amir Fatkhi