<![CDATA[Ikan merupakan salah satu sumber protein hewani dan sangat diminati masyarakat Indonesia, dari survey bahan makanan yang diminati, bandeng peringkat keempat dibanding bahan makanan yang lain. Khususnya ikan bandeng, ikan ini menjadi satu dari enam ikan yang banyak dikonsumsi masyarakat selain tongkol, kembung, teri, mujair dan lele, maka ketelitian masyarakat ketika membeli ikan bandeng menjadi perhatian serius dalam memilih ikan bandeng segar. Deteksi kesegaran dengan menyentuh tubuh ikan dapat mengakibatkan kerusakan tanpa disengaja, maka deteksi kesegaran ikan harus dilakukan tanpa menyentuh ikan bandeng dengan memanfaatkan citra kondisi mata. Dalam riset ini, kami melakukan eksperimen implementasi klasifikasi kesegaran ikan bandeng sangat segar dan tidak segar berdasarkan mata menggunakan transfer learning dari empat CNN, yaitu Xception, MobileNet V1, Resnet50, dan VGG16. Dari hasil eksperimen klasifikasi dua kelas kesegaran ikan bandeng menggunakan 154 citra menunjukkan bahwa VGG16 mencapai kinerja terbaik dibanding arsitektur lainnya dimana akurasi klasifikasi mencapai 0.97. Dengan akurasi lebih tinggi dibanding arsitektur lainnya maka VGG16 relatif lebih tepat digunakan untuk klasifikasi dua kelas kesegaran ikan bandeng. AbstractFish, one source of animal protein, is an exciting food for Indonesia's people. From a survey of food-ingredients demanded, milkfish are ranked fourth compared to other food-ingredients. Especially for milkfish, this fish is one of the six fish consumed by Indonesia's people besides tuna, bloating, anchovies, tilapia, and catfish, so the exactitude of the people when buying is a severe concern in choosing fresh milkfish. Detection of freshness by touching the fish's body may cause unexpected destruction, so detecting the fish's freshness should be conducted without touching using the eye image. In this research, we conducted an experimental implementation of freshness milkfish classification (vastly fresh and not fresh) based on the eyes using transfer learning from several CNNs, such as Xception, MobileNet V1, Resnet50, and VGG16. The experimental results of the classification of two milkfish freshness classes using 154 images show that VGG16 achieves the best performance compared to other architectures, where the classification accuracy achieves 0.97. With higher accuracy than other architectures, VGG16 is relatively more appropriate for classifying two classes of milkfish freshness.]]>
