| dc.contributor.author | Natadjaja, Hans Richard Alim | |
| dc.date.accessioned | 2026-01-30T06:21:57Z | |
| dc.date.available | 2026-01-30T06:21:57Z | |
| dc.date.issued | 2023 | |
| dc.identifier.uri | https://dspace.uc.ac.id/handle/123456789/9067 | |
| dc.description | Fish production as a food ingredient is one of the largest in Indonesia. Among many fishery products, Gurami fish is one of the major fishery product with large quantities. However, fish products are one of the products with easily rotten characteristics. This causes a decrease in the freshness of the fish that occurs when it reaches the hands of consumers. Some methods of detecting the freshness of fish as a food ingredient have been applied by utilizing the algorithms of Image Processing, Machine Learning, and Deep Learning. However, some of these methods have a lack of accuracy rate and not all of them were developed to detect gurami freshness, also some of them have not been implemented on mobile devices. From this, a solution is needed that can help the public to be able to detect the freshness of Gurami fish with high accuracy rate and can be used on mobile devices. This solution can be realized by using Deep Learning methods. The Deep Learning methods proposed in this study uses the Convolutional Neural Network by utilizing the combination of the YOLOv4-Tiny algorithm to detect the Region of Interest (ROI) on Gurami fish images and the EfficientNetV2-S architecture for Gurami fish freshness classification. Image processing and augmentation methods are applied to increase the variety of images that are used as datasets so that it can help improve the accuracy of the detection carried out by the Deep Learning models to make freshness predictions. The training process using both methods can produce an ROI detection model with a mean average precision of 93,58% and a classification model with an accuracy rate of 93% in detecting the freshness of Gurami fish using ROI of the eyes and gills. The combination of both models generated from the training process was achieved by utilizing the detection model to provide bounding box coordinates for cropping the image from the ROI of the Gurami fish's eyes and gills. The cropped results were then processed by the classification model to classify the level of freshness of Gurami fish based on organoleptic freshness theory. Both models were also successfully implemented in an Android application called DeGura. This research has successfully developed an Android application that utilizes YOLOv4-Tiny Algorithm and EfficientNetV2-S architecture models to help detect Gurami fish freshness | en_US |
| dc.description.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. | en_US |
| dc.language.iso | id | en_US |
| dc.publisher | UNIVERSITAS CIPUTRA SURABAYA | en_US |
| dc.subject | ikan Gurami, Deep Learning, Convolutional Neural Network, algoritma YOLOv4-Tiny, arsitektur EfficientNetV2-S | en_US |
| dc.subject | Gurami fish, Deep Learning, Convolutional Neural Network, YOLOv4-Tiny algorithm, EfficientNetV2-S architecture | en_US |
| dc.title | PENERAPAN ALGORITMA YOLOV4-TINY DAN EFFICIENTNETV2-S PADA SISTEM DETEKSI TINGKAT KESEGARAN BAHAN MAKANAN BERUPA IKAN GURAMI | en_US |
| dc.type | Thesis | en_US |
| dc.identifier.kodeprodi | 55201 | |
| dc.identifier.nim | 0706011910007 | |
| dc.identifier.dosenpembimbing | Daniel Martomanggolo Wonohadidjojo | |
