<![CDATA[Penilaian tingkat keparahan penyakit ikan lele (Clarias gariepinus) di lapangan masih dilakukan secara manual melalui observasi visual oleh pembudidaya, sehingga bersifat subjektif dan rentan terhadap keterlambatan diagnosis. Penelitian ini mengembangkan sistem klasifikasi tingkat keparahan penyakit ikan lele ke dalam tiga kategori, yaitu sehat, sakit sedang, dan sakit parah, berbasis citra digital dengan pendekatan hybrid, memadukan MobileNetV4-Conv-Small sebagai ekstraktor fitur dengan algoritma machine learning sebagai pengklasifikasi. Untuk menguji pengaruh mekanisme penajaman fitur, dibandingkan tiga varian ekstraktor, yaitu baseline tanpa modul attention, dengan modul Squeeze-and-Excitation (SE), dan dengan Convolutional Block Attention Module (CBAM), yang masing-masing dipasangkan dengan tiga pengklasifikasi (SVM, XGBoost, Random Forest) pada kondisi data tidak seimbang dan seimbang. Hasil pengujian pada 942 citra tervalidasi menunjukkan kombinasi baseline dengan SVM pada kondisi data seimbang memperoleh nilai efisiensi tertinggi (0,953) sekaligus performa klasifikasi terbaik (F1-score makro 0,913) di antara seluruh kombinasi yang diuji. Penambahan modul attention memberikan pengaruh tidak konsisten terhadap performa, meningkatkan hasil pada beberapa pengklasifikasi namun tidak pada SVM. Model terbaik selanjutnya dikonversi ke format ONNX dan diimplementasikan pada aplikasi Android, terbukti mampu melakukan inferensi secara lokal dengan latensi rendah (86,7% akurasi, 39,0 ms) yang konsisten dengan hasil pengujian pada tahap eksperimen.]]>
Copyrights © 2026
