Penelitian ini membahas tentang optimalisasi arsitektur pada deep Learning untuk otomatisasi klasifikasi ikan melalui citra dengan berbagai macam latar belakang dan kondisi cahaya yang beragam. Beberapa riset terdahulu tentang klasifikasi spesies ikan telah dilakukan oleh beberapa peneliti di dunia menggunakan berbagai metode, termasuk Naïve bayes, CNN, dan jaringan deep learning. Dalam penelitian ini, akan dibandingkan tiga arsitektur deep learning (ResNet101v2, CoAtNet-0, dan EfficientNetV2B0) dengan tiga algoritma optimasi (Adam, SGD, dan MSProp) untuk mengetahui arsitektur yang terbaik untuk model deep learning pada otomatisasi identifikasi spesies ikan, yang terdiri dari 3.248 citra yang terbagi menjadi delapan kelas spesies, hasil dari pengujian model didapat bahwa ResNet101v2 yang dioptimalisasi oleh Adam memiliki nilai akurasi paling tinggi dibanding 2 Arsitektur lainya yaitu sebesar 62% .
Copyrights © 2023