MENUJU GRADING BIBIT IKAN LELE OTOMATIS: KLASIFIKASI UKURAN BIBIT IKAN LELE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN OPENMV CAM

Ronaldo Firmansyah, Ronaldo (2024) MENUJU GRADING BIBIT IKAN LELE OTOMATIS: KLASIFIKASI UKURAN BIBIT IKAN LELE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN OPENMV CAM. Diploma thesis, Poiteknik Negeri Malang.

	Text Cover.pdf Download (1MB)
	Text BAB I.pdf Download (233kB)
	Text BAB II.pdf Download (851kB)
	Text BAB III.pdf Download (289kB)
	Text BAB IV.pdf Download (274kB)
	Text BAB V.pdf Download (940kB)
	Text BAB VI.pdf Download (710kB)
	Text BAB VII.pdf Download (195kB)
	Text Daftar Pustaka.pdf Download (193kB)
	Text Lampiran.pdf Download (1MB)

Abstract

Firmansyah, Ronaldo. “Menuju Grading Bibit Lele Otomatis: Klasifikasi Ukuran Bibit Lele Menggunakan Metode Convolutional Neural Network (CNN) Dengan OpenMV Cam”. Pembimbing: (1) Dr. Ulla Delfana Rosiani, S.T., M.T (2) Milyun Nima Shoumi, S.Kom., M.Kom. Skripsi, Program Studi Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang, 2023. Penyortiran bibit ikan lele (grading) biasa dilakukan oleh para peternak bibit ikan lele. Tahap grading dilakukan untuk memisahkan bibit ikan lele berdasarkan ukurannya karena setiap bibit ikan lele dapat memiliki pertumbuhan yang berbeda dan mengurangi kanibalisme bibit ikan lele pada ukuran yang lebih kecil. Tujuan penelitian ini untuk dapat mengklasifikasikan bibit ikan lele menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan OpenMV Cam H7+ secara otomatis. Terdapat 3 grade bibit ikan lele pada penelitian ini, antara lain: grade A (2-3 cm), grade B (4-5 cm) dan grade C (>6 cm). Dataset untuk proses training dan testing model diambil dengan 4 bahan penelitian yaitu ukuran gambar 96 x 96 blobs.fit, 96 x 96 blobs.rect, 128 x 128 blobs.fit, dan 128 x 128 blobs.rect. Dalam pengujian dengan gambar statis dan secara real-time, sistem dapat mengenali perbedaan grade dalam memprediksi grade bibit ikan lele yang dideteksi. Hasil paling optimal diantara 4 bahan penelitian adalah 128 x 128 blobs.rect yang memilki akurasi sebesar 89%. Penelitian ini dapat membantu para peternak bibit ikan lele dan memberikan pengetahuan mengenai penerapan metode CNN untuk pengembangan teknologi lebih lanjut di masa mendatang. Kata Kunci : ikan lele, bibit, klasifikasi, OpenMV, deep learning, CNN.

Item Type:	Thesis (Diploma)
Subjects:	A Computer Science > Artificial Intelligence
Divisions:	Jurusan Teknologi Informasi > Teknik Informatika
Depositing User:	Ronaldo Firmansyah
Date Deposited:	05 Jun 2024 08:32
Last Modified:	05 Jun 2024 08:32
URI:	http://repota.jti.polinema.ac.id/id/eprint/958

Actions (login required)

View Item