Penggunaan Convolutional Neural Network (CNN) untuk Menentukan Kesegaran Ikan Bawal Putih

Abstract

Ikan bawal putih (Pampus argenteus) merupakan salah satu komoditas yang menjadi andalan yang memiliki nilai ekonomi tinggi dan banyak diekspor dalam keadaan beku. Namun, ikan sangat rentan terhadap kerusakan, sehingga kesegarannya merupakan faktor penting yang mempengaruhi kualitas dan harga jual. Penelitian ini bertujuan untuk mengembangkan sistem untuk mengklasifikasikan tingkat kesegaran ikan bawal putih dengan menggunakan metode Convolutional Neural Network (CNN). Citra kepala ikan dipilih sebagai data masukan, yang telah diproses menjadi ukuran 1700x1700 piksel dan disesuaikan dengan resolusi 224x224 piksel sebelum dimasukkan ke dalam model. Arsitektur CNN yang diterapkan terdiri atas tiga lapisan konvolusi dengan penggabungan Max-Pooling, Dropout, Flatten, dan Dense Layer. Proses pelatihan ini berhenti pada epoch ke-30 setelah model mencapai performa yang optimal  dan menghasilkan akurasi pelatihan sebesar 85%, akurasi validasi sebesar 80%, dan akurasi data uji sebesar 81,2%. Hasil evaluasi menunjukkan bahwa model dapat mengklasifikasikan ikan segar dengan baik (precision 0.865, recall 0.938), cukup memuaskan untuk ikan tidak segar (precision 0.788, recall 0.854), dan kurang efektif untuk ikan yang kurang segar (recall 0.646). Secara keseluruhan, model CNN ini menunjukkan kinerja yang cukup baik dan dapat digunakan sebagai alat bantu untuk secara otomatis mendeteksi tingkat kesegaran ikan bawal putih (Pampus argenteus).