<![CDATA[Penyakit ikan merupakan ancaman serius dalam sektor akuakultur yang membutuhkan diagnosis dini secara presisi. Meskipun deep learning menawarkan solusi pengenalan visual yang tangguh, arsitektur konvensional sering kali membebani komputasi perangkat mobile. Penelitian analitik ini mengusulkan pendekatan hibrida yang mengalihfungsikan arsitektur ringan EfficientNet-Lite0 murni sebagai ekstraktor fitur spasial. Fitur tersebut direduksi melalui empat variasi metode, yaitu global average pooling (GAP), global max pooling (GMP), gabungan, dan convolutional block attention module (CBAM), untuk kemudian diklasifikasikan menggunakan algoritma machine learning SVM, random forest, logistic regression, dan XGBoost. Untuk mengatasi bias prediksi akibat ketimpangan jumlah sampel, penelitian ini juga mengimplementasikan metode optimasi penyeimbangan distribusi data latih. Hasil pengujian menunjukkan kombinasi GAP dan SVM mencapai performa pemisahan kelas tertinggi dengan akurasi 97,20%. Penerapan optimasi penyeimbangan data terbukti sangat krusial; metode ini tidak hanya menstabilkan latensi inferensi, tetapi juga secara drastis mendongkrak kapabilitas algoritma random forest dari tingkat akurasi 86% menjadi 94,41%. Hasil uji statistik Friedman-Nemenyi memvalidasi bahwa pemilihan pengklasifikasi memberikan perbedaan performa yang signifikan, sementara variasi reduksi fitur tidak. Berdasarkan kalkulasi skor efisiensi yang memprioritaskan ketepatan, ukuran memori, dan latensi komputasi, kombinasi fitur GAP dengan pengklasifikasi logistic regression menunjukkan performa terbaik pada penelitian ini.]]>
Copyrights © 2026
