PENGGUNAAN RESNET-50 UNTUK DETEKSI PENYAKIT IKAN AIR TAWAR DI AKUAKULTUR STUDI KASUS PADA AKUAKULTUR ASIA SELATAN

Abstract

Akuakultur adalah proses pembudidayaan organisme akuatik dalam lingkungan terkontrol untuk memenuhi kebutuhan pangan yang terus meningkat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit ikan air tawar menggunakan ResNet-50, sebuah arsitektur jaringan saraf konvolusional yang telah terbukti efektif dalam pengenalan gambar. Dataset yang digunakan meliputi gambar ikan dengan berbagai jenis penyakit yang umum ditemukan dalam akuakultur di Asia Selatan. Penyakit ikan merupakan ancaman serius bagi industri perikanan, dan deteksi dini sangat penting untuk mengambil tindakan pencegahan yang tepat. Model ResNet-50 telah terbukti efektif dalam mempelajari fitur-fitur kompleks pada citra, sementara teknik transfer learning memungkinkan pemanfaatan pengetahuan yang telah dipelajari oleh model sebelumnya. Model ResNet-50 dilatih menggunakan teknik augmentasi data untuk mengatasi ketidakseimbangan kelas dalam dataset. Hasil penelitian menunjukkan bahwa model ini mampu mengklasifikasikan penyakit ikan dengan akurasi yang tinggi, mencapai akurasi validasi 90% setelah 50 epoch. Model ini diharapkan dapat menjadi alat yang berguna bagi nelayan ikan untuk mendeteksi penyakit secara cepat dan akurat, sehingga dapat mengurangi kerugian ekonomi dan meningkatkan efisiensi produksi akuakultur.

Kata kunci: Akuakultur, Penyakit Ikan, Klasifikasi, Resnet-50, Transfer Learning