<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="161205">
 <titleInfo>
  <title>OPTIMALISASI MODEL PENGENALAN CITRA IKAN KONSERVASI MENGGUNAKAN IMAGE SHARPENING DAN ARSITEKTUR XCEPTION:</title>
  <subTitle>STUDI KASUS RHINOBATOS CEMICULUS DAN SQUALUS ACANTHIAS</subTitle>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Cut Ridha Yani</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>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 &#13;
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 &#13;
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. &#13;
&#13;
Kata Kunci: Ikan, Konservasi, CNN, Xception, Image-Sharpening</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>161205</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-07-15 08:28:58</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-07-15 08:58:17</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>