Klasifikasi Mutu Ikan Laut Segar Hasil Tangkapan Nelayan Tradisional di Pesisir Pemangkat menggunakan Convolutional Neural Network
Keywords:
Convolutional Neural Network, Fish Quality Classification, MobileNetV2, Transfer Learning, SNI 01-2729.1-2006Abstract
Sektor perikanan tangkap merupakan penopang utama ekonomi masyarakat pesisir Pemangkat, Kabupaten Sambas, Kalimantan Barat, namun sistem penilaian mutu ikan laut segar di Tempat Pelelangan Ikan (TPI) Pemangkat masih dilakukan secara manual dan subjektif sehingga merugikan nelayan tradisional. Penelitian ini bertujuan mengembangkan model klasifikasi mutu ikan laut segar berbasis Convolutional Neural Network (CNN) dengan memanfaatkan citra digital sebagai masukan. Tiga kelas mutu dikaji mengacu pada SNI 01-2729.1-2006, yaitu Segar (Grade A), Kurang Segar (Grade B), dan Tidak Layak Konsumsi (Grade C). Dataset dibangun melalui akuisisi langsung di TPI Pemangkat dengan target minimal 600 citra berlabel (200 per kelas), kemudian dipraproses melalui resize 224×224 piksel, normalisasi nilai piksel, serta augmentasi data berupa horizontal flip, rotasi ±30°, perubahan kecerahan, dan zooming. Dua pendekatan dibandingkan, yakni CNN yang dilatih dari awal dan transfer learning dengan arsitektur MobileNetV2 pra-terlatih pada ImageNet. Evaluasi kinerja dilakukan menggunakan akurasi, presisi, recall, F1-score, dan confusion matrix pada data uji yang independen. Penelitian ini berkontribusi menyajikan pipeline klasifikasi mutu ikan yang objektif dan siap diintegrasikan ke prototipe aplikasi berbasis kamera atau smartphone sebagai alat bantu penilaian mutu di lapangan, guna meningkatkan posisi tawar nelayan tradisional dan efisiensi rantai pasok produk perikanan lokal Kalimantan Barat.
References
Agustyawan, A. (2020). Pengolahan citra untuk membedakan ikan segar dan tidak segar menggunakan Convolutional Neural Network. IJAI (Indonesian Journal of Applied Informatics), 5(1), 11–19.
Ayu, O. A., Haryadi, A., Kusumastuti, N., & Dzulqarnain, M. F. (2024). Coordinate stability analysis of PT PLN customers with variance and DBSCAN clustering: Pontianak case study. JRST: Jurnal Riset Sains dan Teknologi, 43(B), 53.
Dzulqarnain, M. F., Fadlil, A., & Riadi, I. (2024). Improving the accuracy of batik classification using Deep Convolutional Auto Encoder. COMPILER: Jurnal Ilmiah Informatika, 13(2). https://ejournals.itda.ac.id/index.php/compiler
Dzulqarnain, M. F., Fadlil, A., & Riadi, I. (2025). Performance comparison of learned features from autoencoder and shape-based Hu Moments for batik classification. Jurnal Teknik Informatika (Jutif), 6(4), 1729–1744.
Ekojono, E., Herman, A. W., & Mustika, M. (2021). Identification of freshness of marine fish based on image of Hue Saturation Value and morphology. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi, 6(1), 40–48. https://doi.org/10.25139/inform.v6i1.3228
Gulzar, Y. (2023). Fruit image classification model based on MobileNetV2 with deep transfer learning technique. Sustainability, 15(3), 1906. https://doi.org/10.3390/su15031906
Hermanto, H., Prasetya, I. A., Dzulqarnain, M. F., Wulandari, M., & Sujatmiko, W. (2024). Manfaat Artificial Intelligence (AI) terhadap siswa-siswi dalam pemahaman kegiatan pembelajaran lingkungan sekolah berbasis digital. Jurnal Inovasi dan Terapan Pengabdian Masyarakat, 4(2), 154–163.
Husen, D. (2024). Evaluasi teknik augmentasi data untuk klasifikasi tumor otak menggunakan CNN pada citra MRI. TEKNIMEDIA: Jurnal Teknologi Informasi dan Multimedia, 5(2), 219–228.
Indraswari, R., Rokhana, R., & Herulambang, W. (2022). Melanoma image classification based on MobileNetV2 network. Procedia Computer Science, 197, 198–207. https://doi.org/10.1016/j.procs.2021.12.132
Iswari, N. M. S., Wella, W., & Ranny, R. (2017). Perbandingan algoritma kNN, C4.5, dan Naïve Bayes dalam pengklasifikasian kesegaran ikan menggunakan media foto. Jurnal Ultimatics, 9(2), 114–117.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NIPS), 25, 1097–1105.
Mahmud, Hamdani, H., & Astuti, I. F. (2024). Implementasi deep learning dengan menggunakan algoritma Convolutional Neural Network untuk mengidentifikasi jenis ikan laut. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 9(1), 1–10.
Muhammad, T. S., Dzulqarnain, M. F., & Fadlil, A. (2025). Pemanfaatan Artificial Intelligence untuk peningkatan literasi digital pada pengajaran di lingkungan perbatasan. CORISINDO, 1(1), 629–635.
Muslihati, M., Sahibu, S., & Taufik, I. (2024). Implementasi algoritma Convolutional Neural Network untuk klasifikasi jenis sampah organik dan non-organik. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(3). https://doi.org/10.57152/malcom.v4i3.1346
Prasetyo, E., Purbaningtyas, R., Adityo, R. D., Prabowo, E. T., & Ferdiansyah, A. I. (2020). Performance evaluation of pre-trained convolutional neural network for milkfish freshness classification. 2020 6th Information Technology International Seminar (ITIS), 50–55.
Purwono, P., Ma'arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & Haq, Q. M. U. (2022). Understanding of Convolutional Neural Network (CNN): A review. International Journal of Robotics and Control Systems, 2(4), 739–748. https://doi.org/10.31763/ijrcs.v2i4.888
Rijal, M., Yani, A. M., & Rahman, A. (2024). Deteksi citra daun untuk klasifikasi penyakit padi menggunakan pendekatan deep learning dengan model CNN. Jurnal Teknologi Terpadu, 10(1), 56–62.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4510–4520. https://doi.org/10.1109/CVPR.2018.00474
Sholihin, M., & Zamroni, R. (2021). Identifikasi kesegaran ikan berdasarkan citra insang dengan metode Convolutional Neural Network. JATISI: Jurnal Teknik Informatika dan Sistem Informasi, 8(3), 1352–1360.
Sutiani, R. A., Prasetyo, E., & Fatichah, C. (2024). Klasifikasi kesegaran ikan menggunakan citra mata dengan Convolutional Neural Network arsitektur VGG-16. JOINTER: Journal of Informatics Engineering, 5(2), 1–8.
Taheri-Garavand, A., Nasiri, A., Banan, A., & Zhang, Y.-D. (2020). Smart deep learning-based approach for non-destructive freshness diagnosis of common carp fish. Journal of Food Engineering, 278, 109930. https://doi.org/10.1016/j.jfoodeng.2020.109930
Yanto, B., Nasution, M. I. P., & Darmawati, E. (2023). Penerapan algoritma deep learning Convolutional Neural Network dalam menentukan kematangan buah jeruk manis berdasarkan citra Red Green Blue (RGB). Jurnal Teknologi Informasi dan Ilmu Komputer, 10(1), 59–66. https://doi.org/10.25126/jtiik.20231015695
Arrofiqoh, E. N., & Harintaka, H. (2018). Implementasi metode Convolutional Neural Network untuk klasifikasi tanaman pada citra resolusi tinggi. Geomatika, 24(2), 61–68.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90
Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1409.1556
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Teknologi dan Riset Informatika
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
