IMPLEMENTASI METODE DEEP LEARNING UNTUK MENGHITUNG BENIH IKAN GABUS PADA SISTEM FISH COUNTER

Sastrian, Jordan (2026) IMPLEMENTASI METODE DEEP LEARNING UNTUK MENGHITUNG BENIH IKAN GABUS PADA SISTEM FISH COUNTER. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (COVER) COVER.pdf - Published Version Download (480kB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (11kB) | Preview
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (134kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (464kB) | Request a copy
	Text (BAB III METODELOGI PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (868kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V KESIMPULAN DAN SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (8kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (87kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Penghitungan benih ikan yang masih dilakukan secara manual membutuhkan waktu yang lama dan berpotensi menimbulkan kesalahan pencatatan, terutama pada jumlah benih yang banyak. Penelitian ini bertujuan mengimplementasikan metode deep learning menggunakan algoritma YOLOv11 pada sistem Fish Counter untuk mendeteksi, mengklasifikasikan, dan menghitung benih ikan hidup dan mati secara otomatis. Dataset yang digunakan terdiri dari 438 citra benih ikan gabus yang dibagi menjadi data pelatihan, validasi, dan pengujian. Model dilatih menggunakan platform Google Colab dan diimplementasikan pada Raspberry Pi 4 yang terhubung dengan webcam sebagai media akuisisi citra. Evaluasi model dilakukan menggunakan metrik precision, recall, F1-score, dan mean Average Precision (mAP), sedangkan kinerja sistem penghitungan dievaluasi berdasarkan persentase error. Hasil penelitian menunjukkan bahwa model memperoleh precision sebesar 100%, recall sebesar 97%, F1-score sebesar 93%, dan mAP@0.5 sebesar 95%. Pengujian sistem sebanyak lima kali menghasilkan rata-rata persentase error sebesar 6,12% atau setara dengan akurasi penghitungan sebesar 93,88%. Hasil tersebut menunjukkan bahwa algoritma YOLOv11 mampu mendeteksi, mengklasifikasikan, dan menghitung benih ikan secara otomatis dengan tingkat akurasi yang baik sehingga layak diterapkan pada sistem Fish Counter.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Deep Learning, YOLOv11, Fish Counter, Deteksi Objek, Benih Ikan
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	31 Jul 2026 08:17
Last Modified:	31 Jul 2026 08:17
URI:	http://eprints.polsri.ac.id/id/eprint/24301

Actions (login required)

View Item