IDENTIFIKASI JENIS IKAN MENGGUNAKAN MODEL HYBRID DEEP LEARNING DAN ALGORITMA KLASIFIKASI

  • Anifuddin Azis Departemen Ilmu Komputer dan Elektronika, Fakultas MIPA, Universitas Gadjah Mada
Keywords: Identifikasi Ikan, Deep Learning, CNN, Algoritma Klasifikasi, Model Hybrid

Abstract

Indonesia merupakan negara dengan keanekaragaman hayati terbesar kedua di dunia setelah Brazil. Indonesia memiliki sekitar 25.000 spesies tumbuhan dan 400.000 jenis hewan dan ikan. Diperkirakan 8.500 spesies ikan hidup di perairan Indonesia atau merupakan 45% dari jumlah spesies yang ada di dunia, dengan sekitar 7.000an adalah spesies ikan laut. Untuk menentukan berapa jumlah spesies tersebut dibutuhkan suatu keahlian di bidang taksonomi. Dalam pelaksanaannya mengidentifikasi suatu jenis ikan bukanlah hal yang mudah karena memerlukan suatu metode dan peralatan tertentu, juga pustaka mengenai taksonomi. Pemrosesan video atau citra pada data ekosistem perairan yang dilakukan secara otomatis mulai dikembangkan. Dalam pengembangannya, proses deteksi dan identifikasi spesies ikan menjadi suatu tantangan dibandingkan dengan deteksi dan identifikasi pada objek yang lain. Metode deep learning yang berhasil dalam melakukan klasifikasi objek pada citra mampu untuk menganalisis data secara langsung tanpa adanya ekstraksi fitur pada data secara khusus. Sistem tersebut memiliki parameter atau bobot yang berfungsi sebagai ekstraksi fitur maupun sebagai pengklasifikasi. Data yang diproses menghasilkan output yang diharapkan semirip mungkin dengan data output yang sesungguhnya. CNN merupakan arsitektur deep learning yang mampu mereduksi dimensi pada data tanpa menghilangkan ciri atau fitur pada data tersebut. Pada penelitian ini akan dikembangkan model hybrid CNN (Convolutional Neural Networks) untuk mengekstraksi fitur dan beberapa algoritma klasifikasi untuk mengidentifikasi spesies ikan. Algoritma klasifikasi yang digunakan pada penelitian ini adalah : Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree, K-Nearest Neighbor (KNN), Random Forest, Backpropagation.

Downloads

Download data is not yet available.

References

Cui, S., Zhou, Y., Wang, Y., & Zhai, L. 2020 Article 373810
Deep, B. V. and Dash, R. 2019. Underwater Fish Species Recognition Using Deep Learning Techniques. 2019 6th International Conference on Signal Processing and Integrated Networks (SPIN), Noida, India, pp. 665-669, doi: 10.1109/SPIN.2019.8711657.
Dertat, A. 2017. Applied Deep Learning - Part 4: Convolutional Neural Networks. https://towardsdatascience.com/applied-deep-learning-part-4-convolutional-neural-networks-584bc134c1e2.
Haryono, H. 2017. Fauna Ikan Air Tawar Di Perairan Kawasan Gunung Sawal, Jawa Barat, Indonesia. Berita Biologi, 16(2), 147-156.
Keputusan Kepala Badan Karantina Ikan Pengendalian Mutu dan Keamanan Hasil Perikanan No 67/Kep-BKIPM. 2015
Rathi, D., Jain, S., Indu, S. 2017. Underwater Fish Species Classification using Convolutional Neural Network and Deep Learning. Ninth International Conference on Advances in Pattern Recognition
Salman, A., Jalal, A., Shafait, F., Mian, A., Shortis, M., Seager, J., Harvey,E. 2016,. Limnology and Oceanography: Methods,14 570-585
Socher, R., Huval, B., Bath, B. P., Manning, C. D., and Ng A. Y. 2012. Convolutional-recursive deep learning for 3d object classification. NIPS, vol. 3, no. 7, p. 8.
Tamou, A. B., Benzinou, A., Nasreddine, K. and Ballihi, L. 2018. Transfer Learning with deep Convolutional Neural Network for Underwater Live Fish Recognition. 2018 IEEE International Conference on Image Processing, Applications and Systems (IPAS), Sophia Antipolis, France, pp. 204-209, doi: 10.1109/IPAS.2018.8708871.
Villon, S., Mouillot, D., Chaumont, M., Darling, E. 2018. A Deep learning method for accurate and fast identification of coral fishes in underwater images, Ecological Informatics, Elsevier, pp238-244)
Zheng, Z., Guo, C., Zheng, X., Yu, Z., Wang, W., Zheng, H., Fu, M., and Zheng, B. 2018. Fish Recognition from a Vessel Camera Using Deep Convolutional Neural Network and Data Augmentation. 2018 OCEANS - MTS/IEEE Kobe Techno-Oceans (OTO), Kobe, pp. 1-5, doi: 10.1109/OCEANSKOBE.2018.8559314.
Published
2020-12-16
How to Cite
Azis, A. (2020) “IDENTIFIKASI JENIS IKAN MENGGUNAKAN MODEL HYBRID DEEP LEARNING DAN ALGORITMA KLASIFIKASI”, Sebatik, 24(2), pp. 201-206. Available at: https://jurnal.wicida.ac.id/index.php/sebatik/article/view/1057 (Accessed: 22April2021).