<![CDATA[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.]]>
Copyrights © 2026
