Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Adopsi Teknologi dan Sistem Informasi
Putri, Arisda Dwi
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Klasifikasi Kesegaran Ikan Pada Citra dengan VGG19 Putri, Arisda Dwi; Rahani, Faisal Fajri
Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 4 No. 1 (2025): Adopsi Teknologi dan Sistem Informasi (ATASI)
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/atasi.v4i1.2888

Abstract

Ikan merupakan sumber makanan yang sangat bernutrisi dan berprotein tinggi untuk tubuh manusia, Sebagai konsumen memilih ikan dengan mutu yang baik untuk dikonsumsi baik oleh diri sendiri atau keluarga sangatlah penting, apalagi bagi ibu-ibu yang memiliki anak-anak yang masih dalam masa pertumbuhan. Ikan yang tidak segar mempengaruhi rasa dan nutrisi dari ikan tersebut, bahkan dapat membuat keracunan dan mempengaruhi kesehatan pencernaan konsumen. Penelitian ini mengadopsi algoritma Convolutional Neural Network (CNN) dan pendekatan Transfer Learning untuk melakukan klasifikasi tingkat kesegaran ikan berdasarkan citra digital. Jaringan VGG19 seperti arsitektur AlexNet, dengan lapisan konvolusional berurutan dengan filter yang semakin meningkat saat masuk lebih dalam ke dalam jaringan. Penelitian bertujuan untuk membuat sebuah system yang diharapkan dapat mengatasi permasalahan tentang mengklasifikasikan tingkat kesegaran dengan menggunakan CNN dengan pendekatan transfer learning. Evaluasi performa dilakukan dengan menghitung accuracy, precision, recall, f1-score menggunakan metode confusion matrix, untuk mencari nilai terbaik. Hasil penelitian ini system klasifikasi kesegaran ikan menggunakan dua model yaitu Convolutional Neural Network (CNN) dan VGG19 dengan transfer learning. Pengujian dengan menggunakan 1220 data citra diperoleh nilai akurasi sebesar 86% untuk model VGG19.
Co-Authors Faisal Fajri Rahani