| NIM | L1C018022 |
|---|
| Namamhs | ARDIANSYAH FARABI |
|---|
| Judul Artikel | IDENTIFIKASI IKAN KARANG MENGGUNAKAN MACHINE LEARNING (ML) |
|---|
| Abstrak (Bhs. Indonesia) | Metode yang umum digunakan dalam pengidentifikasian ikan karang adalah Underwater Visual Census (UVC). Perkembangan zaman membuat metode lain dikembangkan seperti deep learning. Deep Learning merupakan salah satu cabang dari Maching Learning yang didasarkan pada pembelajaran yang dibawa dari modul non-linier ke komputer untuk mengubah representasi data mentah ke tingkat yang lebih tinggi. Penelitian ini bertujuan untuk mengaplikasikan algoritma YOLO dalam mengidentifikasi spesies ikan karang. Penelitian ini menggunakan algoritma YOLOv5 dengan melakukan training data terhadap foto dari 3 spesies ikan yaitu Amphiprion percula, Paracanthurus hepatus, dan Zebrasoma flavescens yang diambil dari Google Image untuk selanjutnya dilakukan pendeteksian otomatis serta dianalisis menggunakan confusion matrix model. Hasil dari penelitian ini berupa nilai dari accuracy sebesar 0,878, nilai recall sebesar 0,922, nilai precision sebesar 0,948, dan nilai F1-score sebesar 0,935 yang mengartikan bahwa hasil dari pengidentifikasian ikan dapat dikatakan akurat. |
|---|
| Abtrak (Bhs. Inggris) | The method commonly used in identifying reef fish is the Underwater Visual Census (UVC). Along with the times other method has been developed such as deep learning. Deep learning is a part of machine learning which is based on learning that is brought from non-linear module to a computer to change representation of raw data to a higher level. The purpose of this study are to apply the YOLO algorithm in identifying reef fish species. This study used the YOLOv5 algorithm by training data on photos of 3 fish species namely Amphiprion percula, Paracanthurus hepatus, and Zebrasoma flavescens taken from Google Image for further automatic detection and analysis using the confusion matrix model. The results of this study are accuracy values of 0.878, recall values of 0.922, precision values of 0.948, and F1-score values of 0.935 which means that the results of identifying fish can be said to be accurate. |
|---|
| Kata kunci | Deep learning; YOLOv5; Deteksi Objek |
|---|
| Pembimbing 1 | Rizqi Ridaldi Hidayat, S.I.K., M.Si. |
|---|
| Pembimbing 2 | Iqbal Ali Husni, S.Pi., M.Sc. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2023 |
|---|
| Jumlah Halaman | 14 |
|---|
| Tgl. Entri | 2023-05-15 12:02:33.44806 |
|---|