PENERAPAN ALGORITMA YOLOV4-TINY DAN EFFICIENTNETV2-S PADA SISTEM DETEKSI TINGKAT KESEGARAN BAHAN MAKANAN BERUPA IKAN GURAMI

Abstract

Produksi ikan sebagai bahan makanan merupakan salah satu yang terbesar di Indonesia. Dari banyak produk perikanan, ikan Gurami menjadi salah satu hasil produksi perikanan dengan jumlah yang besar. Namun produk perikanan merupakan salah satu produk dengan sifat yang mudah busuk. Hal tersebut menimbulkan penurunan kesegaran ikan rentan terjadi ketika sampai ke tangan konsumen. Beberapa metode deteksi kesegaran ikan sebagai bahan makanan telah diterapkan dengan memanfaatkan algoritma pemrosesan citra, Machine Learning, dan Deep Learning. Namun dari beberapa metode tersebut terdapat kekurangan pada tingkat akurasi dan tidak semuanya dikembangkan untuk deteksi kesegaran ikan Gurami, serta ada yang belum diimplementasikan pada perangkat seluler. Dari hal tersebut dibutuhkan sebuah solusi yang mampu membantu masyarakat untuk bisa melakukan deteksi kesegaran ikan Gurami dengan tingkat akurasi yang tinggi dan dapat digunakan pada perangkat seluler. Solusi tersebut dapat diwujudkan dengan menggunakan metode Deep Learning. Metode Deep Learning yang diusulkan dalam penelitian ini menggunakan Convolutional Neural Network dengan memanfaatkan kombinasi algoritma YOLOv4-Tiny untuk melakukan deteksi Region of Interest (ROI) pada citra ikan Gurami dan arsitektur EfficientNetV2-S untuk klasifikasi kesegaran ikan Gurami. Metode pemrosesan citra dan augmentasi diterapkan untuk meningkatkan variasi citra yang digunakan sebagai dataset sehingga bisa membantu meningkatkan akurasi dari deteksi yang dilakukan oleh model Deep Learning untuk prediksi kesegaran. Proses training dengan menggunakan kedua metode tersebut menghasilkan model deteksi ROI dengan mean average precision sebesar 93,58% dan model klasifikasi dengan tingkat akurasi sebesar 93% dalam melakukan deteksi kesegaran ikan Gurami menggunakan ROI mata dan insang. Kombinasi kedua model yang dihasilkan dari proses training berhasil diwujudkan dengan memanfaatkan model deteksi untuk memberikan koordinat bounding box agar bisa dilakukan crop citra dari ROI mata dan insang ikan gurami. Kemudian hasil crop yang didapat diproses oleh model klasifikasi untuk bisa dilakukan klasifikasi tingkat kesegaran ikan Gurami berdasarkan teori kesegaran ikan secara organoleptik. Kedua model tersebut juga berhasil diimplementasikan pada aplikasi dengan sistem operasi Android yang bernama DeGura dengan melakukan konversi kedua model ke dalam format TensorFlow Lite. Penelitian ini berhasil mengembangkan aplikasi Android yang memanfaatkan model dari Algoritma YOLOv4-Tiny dan EfficientNetV2-S untuk membantu pengguna melakukan deteksi kesegaran pada ikan Gurami.