<?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="1708679">
 <titleInfo>
  <title>KLASIFIKASI JENIS IKAN HASIL TANGKAPAN NELAYAN BERBASIS DEEP LEARNING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>DZIKRAL ALFISYAHRIN</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 Komputer</publisher>
   <dateIssued>2026</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Kemiripan morfologi antarspesies seperti Tuna (Thunnus), Tongkol (Euthynnus), Dencis (Sardinella), Kembung (Rastrelliger), Tenggiri (Scomberomorus), dan Kuwe Rambut (Alectis) sering menyebabkan kesalahan identifikasi oleh masyarakat. Kondisi ini menimbulkan perbedaan harga dan menurunkan kepercayaan konsumen, sehingga dibutuhkan sistem klasifikasi ikan otomatis berbasis citra digital. Penelitian ini mengembangkan model klasifikasi ikan menggunakan ResNet-50 dan MobileNet-V2 dengan pendekatan transfer learning. Dataset dikumpulkan langsung dari Pelabuhan Lampulo dan terdiri atas 2.790 citra enam jenis ikan setelah proses augmentasi (rotasi, flipping, dan penyesuaian kontras). Model dilatih selama 100 epoch dengan menggunakan dua jenis optimizer, yaitu Stochastic Gradient Descent (SGD) dan Adaptive Moment Estimation (Adam), serta dua variasi learning rate, yaitu 10−4 dan 10−3. Hasil penelitian menunjukkan bahwa performa terbaik dicapai oleh kombinasi SGD dan learning rate 10−3. Dengan adanya penelitian ini diharapkan dataset citra enam jenis ikan yang dikumpulkan dan model klasifikasi berbasis deep learning dapat menjadi dasar pengembangan sistem identifikasi ikan otomatis.</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>COMPUTER PROGRAMS</topic>
 </subject>
 <subject authority="">
  <topic>FISHES</topic>
 </subject>
 <subject authority="">
  <topic>FISHING - COMMERCIAL TECHNOLOGY</topic>
 </subject>
 <classification>005.3</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>1708679</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2026-01-19 12:43:57</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2026-01-19 14:53:31</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>