Pengenalan Jenis Ikan Cupang Menggunakan Metode YOLO

Abstract

Ikan cupang merupakan salah satu ikan hias yang menarik, warna dan motifnya yang beragam membuat ikan ini banyak diburu penggemar untuk menghiasi keindahan rumah ataupun hanya sekedar kesenangan. Banyaknya jenis saat ini juga menjadi masalah baru bagi orang awam untuk mengenali jenis Ikan cupang. Berdasarkan permasalahan tersebut maka peneliti merancang Sistem Deteksi pengenalan jenis ikan cupang dengan menerapkan Metode You Only Look Once (YOLO) ini bisa dijadikan solusi. Penerapan sistem ini memungkinkan untuk mendeteksi jenis ikan cupang. Perancangan sistem dilakukan melalui perancangan Use Case Diagram, activity diagram dan flowchart. Sistem ini dibangun dengan menggunakan bahasa pemograman python dengan menggunakan algoritma YOLO, library Tensorflow dan library PyQT5. Dataset menggunakan 200 data yang di ambil dari google.dengan pembagian 150% untuk data training dan 50% untuk data uji .Hasil output dari sistem ini berupa perhitungan objek sesuai dengan jenisnya dan divisualisasikan. Akurasi yang dihasilkan untuk pendeteksian jenis ikan cupang menggunakan data uji berupa foto adalah ikan cupang halfmoon 29%, ikan cupang double tail 44%, ikan cupang plakat 55%, dan ikan cupang crown tail 38%. Hasil keseluruhan pengenalan jenis ikan cupang menggunakan metode yolo 85%.Kata kunci— Jenis, Ikan, Cupang, YOLOAbstractThe betta fish are is of the interesting ornamental fish, the various colours and motifs make the fish is hunted by many people to decorate the beauty of their home or just for fun. The large number of types is also a new problem for ordinary people now to recognize the types of betta fish. Based on these problems, the researchers designed a Detection System for recognizing betta fish species by applying the You Only Look Once (YOLO) method which could be used as a solution. The application of this system makes it possible to detect the type of betta fish. System design is carried out through designing Use Case Diagrams, activity diagrams and flowcharts. This system was built using the Python programming language using the YOLO algorithm, Tensorflow library and PyQT5 library. The dataset uses 200 data taken from Google, with a division of 150% for training data and 50% for test data. The output results from this system are in the form of object calculations according to their type and visualized. The resulting accuracy for detecting betta fish types using test data in the form of photos is 29% for halfmoon betta fish, 44% for double tail betta fish, 55% for plaque betta fish, and 38% for crown tail betta fish. The overall result of recognizing Betta fish species using the Yolo method was 85%.Keywords— Type, Fish, Betta, YOLO