Optimation Image Classification Pada Ikan Hiu Dengan Metode Convolutional Neural Network Dan Data Augmentasi

Jurnal TIKA Pub Date : 2022-04-28 DOI:10.51179/tika.v7i1.993
Eka Satria Maheswara, Ahmad Bustomi Zuhri, Dadang Iskandar Maulana
{"title":"Optimation Image Classification Pada Ikan Hiu Dengan Metode Convolutional Neural Network Dan Data Augmentasi","authors":"Eka Satria Maheswara, Ahmad Bustomi Zuhri, Dadang Iskandar Maulana","doi":"10.51179/tika.v7i1.993","DOIUrl":null,"url":null,"abstract":"Ikan Hiu merupakan ikan bertulang rawan yang banyak diburu karena mempunyai nilai ekonomi yang tinggi. Penangkapan dan perdagangan secara berlebihan mengakibatkan spesies ini terancam kepunahan dan sudah masuk pada beberapa kategori IUCN Red List. informasi tentang jenis-jenis hiu yang didaratkan di PPN Sungai liat Bangka masih sangat terbatas dikarenakan sulitnya identifikasi secara morfologi sehingga perlu dilakukan identifikasi menggunakan metode molekuler. oleh karena itu, peneliti menghasilkan program pengenalan citra pada ikan hiu menggunakan algoritma Convolutional Neural Network, yang merupakan kegiatan konvolusi dengan menggabungkan beberapa lapisan persiapan, dengan memanfaatkan beberapa komponen yang bergerak sama dan dimotivasi oleh sistem sensorik biologis. Gambar ikan hiu yang digunakan adalah basking, blacktip, blue, bull, hammerhead, lemon, mako, nurse, sand tiger, dan thresher. Implementasi pengenalan citra ikan hiu dilakukan dengan memakai 2 model pengujian yaitu model Sequential dan model on top VGG16 yang berjalan di aplikasi Google Collaboratory, dan Keras. Data pengujian pada penelitian ini adalah 1089 citra data latih dan 1073 citra data uji yang menghasilkan nilai evaluasi dengan nilai akurasi 86,58% dan nilai loss 0,701 pada model Sequential dan nilai akurasi 91,80% dan nilai loss 0,0355 pada model on top VGG16.","PeriodicalId":141239,"journal":{"name":"Jurnal TIKA","volume":"17 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-04-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"3","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal TIKA","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.51179/tika.v7i1.993","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 3

Abstract

Ikan Hiu merupakan ikan bertulang rawan yang banyak diburu karena mempunyai nilai ekonomi yang tinggi. Penangkapan dan perdagangan secara berlebihan mengakibatkan spesies ini terancam kepunahan dan sudah masuk pada beberapa kategori IUCN Red List. informasi tentang jenis-jenis hiu yang didaratkan di PPN Sungai liat Bangka masih sangat terbatas dikarenakan sulitnya identifikasi secara morfologi sehingga perlu dilakukan identifikasi menggunakan metode molekuler. oleh karena itu, peneliti menghasilkan program pengenalan citra pada ikan hiu menggunakan algoritma Convolutional Neural Network, yang merupakan kegiatan konvolusi dengan menggabungkan beberapa lapisan persiapan, dengan memanfaatkan beberapa komponen yang bergerak sama dan dimotivasi oleh sistem sensorik biologis. Gambar ikan hiu yang digunakan adalah basking, blacktip, blue, bull, hammerhead, lemon, mako, nurse, sand tiger, dan thresher. Implementasi pengenalan citra ikan hiu dilakukan dengan memakai 2 model pengujian yaitu model Sequential dan model on top VGG16 yang berjalan di aplikasi Google Collaboratory, dan Keras. Data pengujian pada penelitian ini adalah 1089 citra data latih dan 1073 citra data uji yang menghasilkan nilai evaluasi dengan nilai akurasi 86,58% dan nilai loss 0,701 pada model Sequential dan nilai akurasi 91,80% dan nilai loss 0,0355 pada model on top VGG16.
鲨鱼是一种多功能骨鱼,因为它的经济价值很高。过度的捕捞和贸易使这种物种濒临灭绝,并已列入世界自然保护联盟的几个类别。由于无法用分子方法进行鉴定,因此在形态学中发现鲨鱼种类的信息仍然非常有限。因此,研究人员利用神经连接算法为鲨鱼制作图像识别程序,这是一种革命性的活动,它结合了几层准备,利用了几种运动成分,并受到生物感官系统的激励。使用的鲨鱼的照片有巴士林、黑钻、蓝牛、锤头、柠檬、灰鲭鲨、护士、沙老虎和脱盐器。鲨鱼识别识别是通过两种测试模型来实现的:顺序模型和运行在谷歌collab应用程序中的VGG16模型。本研究的测试数据是1089个培训数据图像和1073个测试数据图像,它们在顺序模型中产生了86.58%的准确性值和0.701的值值,在VGG16模型上的值为91.80%,损失值为0.0355。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信