<![CDATA[Penyakit merupakan salah satu penyebab utama tingginya angka kematian pada budidaya ikan lele. Proses identifikasi penyakit yang masih dilakukan secara manual cenderung subjektif, memerlukan keahlian khusus, serta kurang efisien untuk deteksi dini. Penelitian ini bertujuan mengimplementasikan sistem klasifikasi penyakit ikan lele berbasis deep learning menggunakan model YOLOv11n pada aplikasi mobile serta mengevaluasi pengaruh berbagai metode quantization TensorFlow Lite terhadap performa klasifikasi dan efisiensi komputasi. Metode yang digunakan meliputi pelatihan model YOLOv11n untuk mengklasifikasikan kondisi ikan ke dalam tiga kelas, yaitu sehat, sedang, dan parah, kemudian mengonversi model menggunakan Float16 Quantization, Post-Training Dynamic Range Quantization, Full Integer Quantization, dan Quantization-Aware Training. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, ukuran model, waktu inferensi, serta pengujian implementasi pada perangkat Android. Hasil penelitian menunjukkan bahwa Float16 Quantization, Post-Training Dynamic Range Quantization, dan Full Integer Quantization mampu mempertahankan performa klasifikasi yang identik dengan model sebelum dilakukan kuantisasi, dengan nilai accuracy sebesar 96,50%, precision 96,64%, recall 96,50%, dan F1-score 96,43%. Dari sisi efisiensi, Post-Training Dynamic Range Quantization dan Full Integer Quantization menghasilkan keseimbangan terbaik antara akurasi dan kompleksitas komputasi dengan efficiency score masing-masing sebesar 0,812 dan 0,811. Implementasi pada aplikasi Android menunjukkan bahwa sistem mampu melakukan klasifikasi secara langsung (on-device inference) tanpa memerlukan koneksi internet. Penelitian ini membuktikan bahwa YOLOv11n yang dioptimalkan menggunakan TensorFlow Lite efektif diterapkan sebagai sistem deteksi dini penyakit pada ikan lele berbasis perangkat mobile.]]>
Copyrights © 2026
