Electronic Theses and Dissertation

Negara indonesia merupakan negara kepulauan beriklim tropis yang menyebabkan setidaknya ada sebanyak 2.500 spesies ikan di negara ini. walaupun demikian, indonesia terkenal sebagai negara yang mengalami penurunan keanekaragaman hayati terutama pada bidang perikanan sehingga perlu ada upaya konservasi ikan. namun upaya konservasi ini mengalami kendala yaitu kurangnya teknologi untuk memudahkan mendapatkan data-data konservasi yang memadai seperti spesies populasi ikan sehingga diperlukan model komputasi untuk pengenalan jenis ikan melalui gambar atau citra dengan menggunakan algoritma machine learning yaitu convolutional neural network (cnn). namun terdapat tantangan dalam membangun model ini yaitu kualitas citra yang buruk menyebabkan objek menjadi tidak jelas dan sulit untuk dideteksi fiturnya sehingga dibutuhkan metode pre-processing image sharpening sebelum dilakukan pelatihan model untuk memudahkan dalam ekstraksi fitur objek pada citra. tujuan penelitian ini yaitu melakukan peningkatan efektifitas dari model pengenalan citra ikan cnn arsitektur xception menggunakan pre-processing image sharpening pada dataset ikan sebanyak 200 buah yang dipublikasikan oleh giannis georgio. hasil pengujian model didapatkan nilai akurasi terbaik pada model dengan learning rate 10^-3 yang menggunakan image sharpening sebesar 93.12% dan pada model yang menggunakan image non-sharpening sebesar 74,37%. model pengenalan citra ikan terbaik adalah yang menggunakan image sharpening daripada model yang menggunakan image non-sharpening. kata kunci: ikan, konservasi, cnn, xception, image-sharpening

Indonesia is an archipelagic country with a tropical climate, which has led to at least 2,500 species of fish in the country. However, Indonesia is known as a country experiencing a decline in biodiversity, particularly in the fisheries sector, necessitating conservation efforts for fish. These conservation efforts face challenges, namely the lack of technology to facilitate the collection of adequate conservation data, such as fish population species, thereby requiring a computational model for fish species identification through images or visuals using machine learning algorithms, specifically convolutional neural networks (CNN). However, there are challenges in building this model, such as poor image quality causing objects to be unclear and difficult to detect their features, so an image sharpening pre-processing method is needed before model training to facilitate feature extraction of objects in the image. The objective of this study is to improve the effectiveness of the CNN image recognition model with the Xception architecture using image sharpening pre-processing on a dataset of 200 fish images published by Giannis Georgio. The model testing results showed the best accuracy value in the model with a learning rate of 10-3 using image sharpening at 93.12% and in the model using non-sharpened images at 74.37%. The best fish image recognition model is the one using image sharpening rather than the one using non-sharpened images. Keywords: Fish, Conservation, CNN, Xception, Image-Sharpening