Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
5 No.
41 - 48
ISSN Media Elektronik: 2723-5467 Deteksi Ikan Menggunakan Metode Faster R-CNN Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3
1,2,3
Teknik Elektro.
Politeknik Negeri Sriwijaya pratiwiyolandaeka@gmail.
com, 2yurnioktarina@polsri.
id*, 3tresna_dewi@polsri.
Abstract Automatic fish detection in video is a challenging task in the field of computer vision, which can be addressed using deep learning methods.
This study proposes the use of the Faster Region-based Convolutional Neural Network (Faster R-CNN) to detect two types of fish, namely Manfish and Lemonfish, in video data.
The dataset was constructed by extracting frames from video and processing them using the Roboflow platform.
The model was trained and tested using pre-split training and testing sets.
The training process was conducted over 40 epochs using the Adam optimization algorithm to improve detection Model evaluation was carried out using several metrics, including Precision.
Recall.
F1-score, mean Average Precision .
AP).
Mean Squared Error (MSE).
Root Mean Squared Error (RMSE), and R-squared (RA).
The results show that the model achieved a precision of 94% for the Lemonfish class, and a precision of 95% for the Manfish class with a mean Average Precision .
AP) of 57%.
Although the model demonstrates good performance, there is still room to improve accuracy through further optimization.
Keywords: Fish Detection.
Deep Learning.
Faster R-CNN.
Computer Vision.
Model Evaluation.
Abstrak Deteksi ikan dalam video secara otomatis merupakan tantangan dalam bidang computer vision yang dapat diselesaikan menggunakan metode deep learning.
Penelitian ini mengusulkan penggunaan Faster Region-based Convolutional Neural Network (Faster R-CNN) untuk mendeteksi dua jenis ikan, yaitu Manfish dan Lemonfish, dalam video.
Dataset diperoleh dengan mengekstraksi frame dari video dan memprosesnya menggunakan platform Roboflow.
Model dilatih dan diuji dengan menggunakan training dan testing set yang telah disiapkan.
Proses pelatihan dilakukan selama 40 epoch dengan algoritma optimasi Adam untuk meningkatkan akurasi deteksi.
Evaluasi model dilakukan menggunakan berbagai metrik, seperti Precision.
Recall.
F1-score, mean Average Precision .
AP).
Mean Squared Error (MSE).
Root Mean Squared Error (RMSE), dan R-squared (RA).
Hasil penelitian menunjukkan bahwa model mencapai presisi sebesar 94% untuk kelas Lemonfish dan presisi sebesar 95% untuk kelas Manfish, dengan mAP sebesar 57%.
Meskipun model menunjukkan kinerja yang baik, masih terdapat peluang untuk meningkatkan akurasi dengan optimalisasi lebih lanjut.
Kata kunci: Deteksi Ikan.
Deep Learning.
Faster R-CNN.
Computer Vision.
Evaluasi Model.
Diterima Redaksi : 23-11-2024 | Selesai Revisi : 25-12-2024 | Diterbitkan Online : 31-12-2024 Pendahuluan metode sebelumnya seperti R-CNN dan Fast R-CNN.
Faster R-CNN dikembangkan oleh Ren et al.
Teknologi Deep Learning telah berkembang pesat sebagai peningkatan dari metode pendahulunya, yaitu dalam beberapa tahun terakhir dan memiliki berbagai R-CNN dan Fast R-CNN, dengan mengintegrasikan aplikasi dalam analisis citra dan video.
Salah satu proses region proposal langsung ke dalam jaringan penerapannya adalah dalam bidang akuakultur dan convolutional, sehingga meningkatkan efisiensi dan biologi kelautan, di mana deteksi ikan secara otomatis akurasi secara signifikan .
dalam video menjadi kebutuhan penting untuk keperluan monitoring, klasifikasi, dan manajemen Berbagai studi sebelumnya telah menunjukkan bahwa populasi ikan di lingkungan perairan maupun akuarium Faster R-CNN mampu memberikan hasil yang unggul .
dalam pendeteksian objek, terutama dalam konteks kompleks seperti pendeteksian hewan laut .
Salah satu metode yang banyak digunakan dalam Misalnya, penelitian oleh Islam et al.
pendeteksian objek adalah Faster R-CNN, yang menggunakan Faster R-CNN untuk mendeteksi spesies dikembangkan untuk meningkatkan akurasi dan ikan di laut dan menunjukkan akurasi yang tinggi efisiensi dalam pengenalan objek dibandingkan dengan Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 dalam kondisi pencahayaan dan posisi ikan yang bervariasi .
Meskipun demikian, tantangan seperti kebutuhan akan dataset yang besar dan beragam, serta kecepatan pemrosesan yang tinggi, tetap menjadi fokus penelitian Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi ikan dalam video dengan memanfaatkan Faster R-CNN untuk mendeteksi dua jenis ikan, yaitu Manfish dan Lemonfish.
Melalui pendekatan ini, diharapkan sistem yang dikembangkan dapat secara otomatis mengidentifikasi ikan dalam video dengan tingkat akurasi yang tinggi serta potensi penerapan pada skala industri maupun penelitian ilmiah Metode Penelitian Penelitian ini menggunakan model Faster Regionbased Convolutional Neural Network (Faster R-CNN) Gambar 1.
Alur Penelitian dengan backbone MobileNetV3 untuk mendeteksi ikan 2.
Dataset pada video.
Model Faster R-CNN dipilih karena kemampuannya dalam mendeteksi objek secara akurat Penelitian ini menggunakan dataset berupa video yang dengan memanfaatkan Convolutional Neural Network menampilkan ikan Manfish dan Lemonfish dalam satu (CNN) untuk mengekstraksi fitur-fitur penting .
frame di dalam akuarium.
Video tersebut kemudian Sementara itu, backbone MobileNetV3 dipilih karena diproses menggunakan platform Roboflow untuk memiliki tingkat akurasi yang lebih tinggi diekstrak menjadi gambar.
Dari hasil proses ini, dibandingkan dengan MobileNetV2.
Selain itu, diperoleh 300 gambar yang digunakan sebagai dataset MobileNetV3 juga memiliki jumlah parameter dan dalam penelitian.
Setiap gambar telah diberi anotasi operasi komputasi yang jauh lebih sedikit dibandingkan berupa bounding box untuk menandai posisi ikan dalam backbone besar seperti ResNet atau VGG, tanpa gambar secara manual, menggunakan fitur labeling mengorbankan performa deteksi secara signifikan, yang tersedia pada Roboflow.
sehingga menjadikannya pilihan ideal dalam implementasi sistem deteksi objek yang ringan namun Penggunaan dataset berbasis video untuk ekstraksi frame dalam penelitian ini memiliki beberapa tetap akurat .
Dibandingkan dengan pengambilan Penelitian ini diawali dengan pengumpulan dataset gambar statis satu per satu, metode ini memungkinkan berupa video yang menampilkan dua jenis ikan, yaitu penangkapan berbagai posisi, orientasi, serta interaksi Manfish dan Lemonfish.
Video yang diperoleh ikan secara alami, sehingga memperkaya variasi data kemudian melalui tahap preprocessing, di mana setiap dan meningkatkan kemampuan generalisasi model.
Hal frame diekstrak dan dikonversi menjadi gambar ini sejalan dengan penelitian oleh Siddiqui et al.
menggunakan platform Roboflow.
Setelah proses yang menunjukkan bahwa data visual yang diperoleh konversi selesai, dataset dibagi menjadi dua bagian dari cuplikan video dapat menghasilkan model deteksi yaitu training set untuk melatih model dan testing set objek yang lebih kuat dan tahan terhadap variasi lingkungan .
untuk menguji performanya.
Dataset yang telah diproses selanjutnya digunakan Sampel yang diambil dari dataset penelitian ini untuk melatih dan menguji model Faster R-CNN.
Pada ditunjukkan pada Gambar 2.
tahap akhir, dilakukan evaluasi kinerja model untuk menganalisis tingkat akurasi serta efektivitas deteksi Hasil evaluasi ini menjadi dasar dalam menilai keberhasilan model yang telah dikembangkan.
Berikut alur penelitian yang ditunjukkan pada Gambar 1.
Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 (CNN) untuk mengekstraksi fitur, menghasilkan feature map yang digunakan untuk mendeteksi objek.
Selanjutnya, tahap Region Proposal Network (RPN) digunakan untuk menghasilkan wilayah kandidat .
egion proposal.
yang berpotensi berisi objek.
Berbeda dari metode sebelumnya yang menggunakan selective search.
RPN secara langsung menghasilkan proposal objek dengan lebih cepat dan efisien.
RPN
menggunakan anchor boxes untuk mendeteksi objek dengan berbagai ukuran dan rasio aspek.
Setelah wilayah kandidat diperoleh, tahap selanjutnya adalah ROI Pooling & Classification.
Di sini, setiap region proposal diproses untuk menentukan kelas objek yang terdeteksi dan memperbaiki posisi bounding box agar lebih akurat .
Menurut Liu et al.
dalam publikasi A Survey of Object Detection Based on CNNs, modul ROI Pooling memungkinkan fitur yang berbeda ukuran dikonversi menjadi ukuran tetap, memungkinkan klasifikasi dan regresi posisi dilakukan secara efisien oleh fully connected layers di tahap akhir .
Gambar 2.
Dataset Preprocessing Data Menurut Huang et al.
Faster R-CNN Video ikan yang diambil terlebih dahulu dikonversi menawarkan keseimbangan yang baik antara kecepatan menjadi gambar menggunakan Roboflow.
Sebelum dan akurasi, terutama ketika digunakan bersama proses konversi, video disesuaikan dengan pengaturan backbone jaringan yang kuat seperti ResNet atau 1 frame per detik, menghasilkan total 300 gambar Inception .
Penelitian lain oleh Zhang et al.
sebagai dataset.
menunjukkan bahwa integrasi Faster R-CNN dengan teknik augmentasi data dan pelatihan end-to-end Setiap gambar kemudian diberi anotasi atau label sesuai mampu meningkatkan kinerja deteksi secara signifikan dengan objek yang ada di dalamnya, yaitu "Manfish- pada berbagai dataset benchmark .
6cm" dan "Lemonfish-3cm", di mana 6 cm dan 3 cm menunjukkan panjang masing-masing ikan.
Anotasi ini Faster R-CNN juga telah berhasil diterapkan dalam berfungsi untuk menandai posisi objek dalam gambar, berbagai bidang, termasuk pengenalan wajah .
serta sehingga memudahkan model dalam mengenali dan deteksi objek medis .
membedakan kedua jenis ikan.
Setelah proses anotasi selesai, gambar-gambar tersebut diubah ukurannya .
menjadi 640x640 piksel untuk menyeragamkan format input data.
Selanjutnya, dataset dibagi menjadi dua bagian utama, yaitu training set untuk melatih model dan test set untuk menguji Dataset dibagi menjadi training set .
%) dan testing set .
%).
Proporsi pembagian dataset mengacu pada praktik umum dalam deep learning, yaitu sekitar 80:20 atau 70:30 .
Faster Network Region-based Convolutional Gambar 3.
Arsitektur Faster R-CNN Neural Faster Region-based Convolutional Neural Network (Faster R-CNN) adalah salah satu metode object detection yang populer dan efisien.
Metode ini merupakan pengembangan dari R-CNN dan Fast RCNN dengan peningkatan signifikan dalam kecepatan dan akurasi.
Menurut Ren et al.
Faster R-CNN bekerja dengan tiga tahap utama.
Pertama, gambar dimasukkan ke dalam Convolutional Neural Network Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 cukup untuk mencapai konvergensi pada banyak kasus deteksi objek dengan skala dataset menengah.
Oleh karena itu, konfigurasi ini dianggap seimbang antara keterbatasan perangkat keras dan kebutuhan pelatihan yang optimal.
Gambar 4.
Hidden Layers of Faster R-CNN Model Training Pada setiap epoch, model mengevaluasi kinerjanya dengan menghitung training loss dan validation loss.
Loss function yang umum digunakan dalam Faster RCNN mencakup gabungan antara classification loss .
isalnya cross-entrop.
dan regression loss .
isalnya smooth L1 los.
Model Training adalah adalah proses penting dalam Selama proses training.
Google Colab akan merekam deep learning, di mana sebuah model, seperti Faster R- seluruh aktivitas yang terjadi dan menyimpan hasil CNN, dilatih menggunakan dataset beranotasi agar pelatihan ke Google Drive.
File hasil pelatihan mampu mengenali pola dalam data dan melakukan disimpan dalam format best.
pt, yang nantinya deteksi objek secara akurat.
Pada tahap ini, model digunakan untuk menguji model dengan dataset menerima data berupa gambar yang telah diberi label pengujian .
esting datase.
ounding box dan kelas obje.
lalu mempelajari fiturfitur yang membedakan antara satu kelas objek dengan Setelah model selesai dilatih, model tersebut dapat digunakan untuk menguji keakuratannya dalam yang lainnya.
mendeteksi ikan Manfish dan Lemonfish.
Pengujian Dalam proyek ini.
Faster R-CNN digunakan karena dilakukan menggunakan video yang berisi kedua jenis merupakan salah satu algoritma object detection yang ikan tersebut.
Tujuan utama dari training model adalah terbukti efektif dalam berbagai studi.
Faster R-CNN menghasilkan model yang dapat mendeteksi objek mengintegrasikan Region Proposal Network (RPN) dengan akurasi tinggi dan mampu menggeneralisasi dengan jaringan klasifikasi dan regresi bounding box pola dari data yang diberikan.
dalam satu arsitektur end-to-end .
Model Evaluation Selama proses pelatihan, model menggunakan Model evaluasi adalah proses mengukur kinerja model algoritma optimasi Adam .
, yang dikenal karena yang telah dilatih menggunakan dataset.
Dalam kemampuannya dalam menangani data berskala besar penelitian ini, evaluasi model dilakukan dengan Adam menggunakan beberapa parameter, yaitu Confusion menggabungkan kelebihan dari Adaptive Gradient Matrix .
Precision.
Recall.
F1-score, dan mAP .
Algorithm (AdaGra.
dan Root Mean Square serta Mean Squared Error (MSE) .
Root Mean Propagation (RMSPro.
, yang memungkinkan Squared Error (RMSE) .
, dan R-squared (RA) .
pembaruan bobot yang lebih efisien selama proses Evaluasi model bertujuan untuk menilai seberapa baik model dalam menjalankan tugas yang diberikan.
Selain Proses pelatihan dilakukan selama 40 epoch dan itu, evaluasi juga berperan dalam menentukan apakah menggunakan batch size 4.
Batch size 4 dipilih karena model memerlukan penyempurnaan lebih lanjut agar model Faster R-CNN tergolong kompleks dan menghasilkan performa yang lebih optimal.
membutuhkan banyak memori GPU, terutama saat memproses data resolusi tinggi.
Dengan batch size Menurut Gosiewska et al.
, evaluasi yang yang kecil, pelatihan tetap dapat dilakukan tanpa komprehensif menggunakan berbagai metrik sangat kehabisan memori, sekaligus memberikan variasi penting untuk memastikan bahwa model tidak hanya gradien yang lebih besar sehingga membantu model overfit pada data pelatihan, tetapi juga mampu dalam menghindari jebakan local minima dan menggeneralisasi dengan baik pada data baru .
meningkatkan kemampuan generalisasi, terutama Penelitian lain oleh Miller et al.
menekankan ketika dataset yang digunakan relatif kecil.
Sementara pentingnya memahami kelebihan dan kekurangan dari itu, jumlah epoch sebanyak 40 bertujuan untuk setiap metrik evaluasi, serta potensi bias yang dapat memastikan bahwa model memiliki cukup kesempatan mempengaruhi interpretasi hasil .
Powers .
untuk belajar dari seluruh data secara menyeluruh.
Pada juga mengkritisi penggunaan metrik tradisional seperti dataset yang hanya terdiri dari 300 gambar, model perlu precision dan recall tanpa mempertimbangkan bias dan melihat data berulang kali agar mampu memahami pola menyarankan penggunaan metrik seperti informedness dan karakteristik objek yang ingin dikenali.
Dengan 40 dan markedness untuk evaluasi yang lebih akurat .
epoch dan batch size 4, model akan menjalani sekitar 000 iterasi selama pelatihan, yang secara empiris Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 Hasil dan Pembahasan Gambar 6 menunjukkan hasil evaluasi kinerja model Setelah proses training model Faster R-CNN selesai, deteksi terhadap dua kelas yang berbeda, yaitu model dapat digunakan untuk mendeteksi objek dalam "LemonFish-4cm" dan "ManFish-6cm".
Berikut adalah video, khususnya untuk mengenali jenis ikan.
Saat hasil yang diperoleh:
video diproses, model akan menampilkan bounding box C Sebanyak 69 data dari kelas "LemonFish-4cm" di sekitar objek yang terdeteksi serta menampilkan berhasil diprediksi dengan benar oleh model nama jenis ikan yang sesuai.
sebagai "LemonFish-4cm" (True Positiv.
Sebanyak 69 data dari kelas "LemonFish-4cm" Hasil pendeteksian ini dapat dilihat pada gambar salah diprediksi oleh model sebagai "ManFishberikut, di mana model telah berhasil mengidentifikasi 6cm" (False Negativ.
ikan dalam video dengan menandai setiap objek yang C Sebanyak 72 data dari kelas "ManFish-6cm" salah terdeteksi menggunakan bounding box dan label nama diprediksi oleh model sebagai "LemonFish-4cm" yang sesuai.
(False Negativ.
C Sebanyak 140 data dari kelas "ManFish-6cm" berhasil diprediksi dengan benar oleh model sebagai "ManFish-6cm" (True Positiv.
Tabel 2.
Hasil Deteksi Precision Recall F1score LemonFish4cm ManFish6cm Gambar 5.
Hasil Pendeteksian Video Menggunakan Model Faster RCNN Berdasarkan Tabel 2, dapat disimpulkan bahwa hasil deteksi ikan dengan dua kelas, yaitu "LemonFish-4cm" dan "ManFish-6cm", menggunakan model Faster R3.
Confusion Matrix CNN dengan backbone MobileNet V3 menunjukkan Tabel 1.
Hasil Confusion Matrix performa sebagai berikut:
LemonFish-4cm ManFish-6cm C Untuk kelas "LemonFish-4cm", model mencapai precision sebesar 94%, recall sebesar 92%.
F1LemonFish-4cm score sebesar 91% dan AP sebesar 87%.
ManFish-6cm C Untuk kelas "ManFish-6cm", model memiliki Tabel 1 menampilkan hasil confusion matrix pada saat precision sebesar 95%, recall sebesar 94%.
F1pengujian dataset.
Sedangkan gambar dibawah score sebesar 94%, dan AP sebesar 89%.
merupakan visualisasi confusion matrix untuk C Secara keseluruhan model memperoleh mean memberikan gambaran yang lebih jelas mengenai Average Precision .
AP) sebesar 57%.
performa model.
Hasil ini menunjukkan bahwa model memiliki tingkat presisi dan daya tangkap yang cukup tinggi dalam mendeteksi kedua kelas ikan, meskipun masih terdapat ruang untuk peningkatan dalam aspek mAP.
Training and Validation Loss Penelitian ini bertujuan untuk membangun dan melatih model deteksi objek menggunakan Faster R-CNN dengan MobileNetV3 sebagai backbone guna mendeteksi ikan pada dataset berformat COCO.
Setelah Faster
R-CNN
diinisialisasi dan dimodifikasi agar sesuai dengan jumlah kelas yang terdapat dalam dataset.
Gambar 6.
Confusion Matrix Proses pelatihan dilakukan selama 40 epoch menggunakan optimizer Adam, dengan penyesuaian momentum dan weight decay untuk mengoptimalkan Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 kinerja model.
Pada setiap epoch, model secara metrik ini digunakan untuk mengukur tingkat kesalahan otomatis menghitung nilai loss, yang kemudian serta keakuratan model dalam mendeteksi objek.
ditampilkan untuk memantau performa pelatihan serta memastikan bahwa model belajar secara optimal.
Nilai MSE menunjukkan rata-rata kesalahan kuadratik dalam prediksi, sementara RMSE memberikan gambaran lebih jelas mengenai seberapa besar deviasi hasil prediksi terhadap nilai sebenarnya.
Selain itu.
Rsquared (RA) digunakan untuk mengukur tingkat kemampuan model dalam menjelaskan variabilitas data pada pendeteksian objek.
Dengan menggunakan metrik ini, dapat diketahui seberapa baik model telah dilatih dan seberapa akurat prediksinya dalam mendeteksi ikan.
Gambar 7.
Training and Validation Loss Graphic Tabel 3.
Evaluasi Model
RMSE
MAE
Epoch
MSE
Gambar 8.
Nilai Loss Berdasarkan Gambar 8, dapat diketahui bahwa proses training dilakukan hingga nilai loss konsisten berada di Berdasarkan hasil pelatihan model yang ditampilkan bawah 0,5, yang menunjukkan bahwa model telah pada Tabel 3, diketahui bahwa model Faster R-CNN mencapai tingkat konvergensi yang baik.
Dengan nilai memiliki nilai Mean Squared Error (MSE).
Root Mean loss yang rendah, model mampu menghasilkan akurasi Squared Error (RMSE).
Mean Absolute Error (MAE), yang cukup tinggi dalam mendeteksi objek.
Pencapaian dan R-squared (RA) yang nilai seluruhnya berada di ini disebabkan oleh pelatihan yang dilakukan selama 40 bawah 0,2 setelah melalui 40 epoch pelatihan.
epoch, sehingga model memiliki cukup waktu untuk mempelajari pola dalam dataset secara optimal.
Hasil pengujian ini menunjukkan bahwa model Faster R-CNN mampu melakukan deteksi ikan dengan Evaluasi Model performa yang baik.
Hal ini ditunjukkan oleh nilai MSE.
Untuk mengevaluasi performa model Faster R-CNN.
RMSE, dan MAE yang relatif rendah serta nilai RA dilakukan pengujian menggunakan beberapa metrik yang konsisten, yang menunjukkan bahwa model evaluasi, yaitu Mean Squared Error (MSE).
Root Mean mampu mengenali pola dan tren pergerakan ikan secara Squared Error (RMSE), dan R-squared (RA).
Metrik- kompleks dengan tingkat akurasi yang cukup tinggi.
Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48 Model tidak hanya mampu mendeteksi ikan secara statis, tetapi juga dapat mempelajari variasi posisi, .
bentuk, serta arah pergerakan ikan yang kompleks dan dinamis dalam lingkungan akuatik.
Meskipun nilai RA belum mencapai angka mendekati 1, yang menunjukkan prediksi sempurna, konsistensi nilai-nilai .
evaluasi seperti MSE.
RMSE, dan MAE yang rendah mengindikasikan bahwa prediksi model cukup akurat .
dengan tingkat kesalahan yang relatif kecil.
Hal ini menunjukkan bahwa performa model tergolong layak dan cukup baik untuk diterapkan dalam aplikasi nyata.
Kesimpulan .
Penelitian ini berhasil mengembangkan model deteksi ikan berbasis deep learning dengan menggunakan Faster R-CNN.
Model dilatih dengan dataset gambar .
yang diekstraksi dari video menggunakan Roboflow dan diuji untuk mendeteksi dua jenis ikan, yaitu Manfish dan Lemonfish.
Hasil evaluasi menunjukkan bahwa model mencapai precision sebesar 94% untuk Lemonfish dan 95% untuk Manfish, dengan nilai mean Average Precision .
AP) sebesar 57%.
Meskipun model menunjukkan performa .
yang baik dalam mendeteksi ikan, masih terdapat beberapa keterbatasan, seperti nilai mAP yang relatif rendah dibandingkan dengan nilai precision, recall, dan .
F1-score.
Oleh karena itu, penelitian lebih lanjut diperlukan untuk meningkatkan performa model, misalnya dengan .
menyesuaikan parameter pelatihan, meningkatkan jumlah dataset, atau mengimplementasikan teknik augmentasi data untuk meningkatkan performa deteksi dalam kondisi pencahayaan dan latar belakang yang .
lebih kompleks.
Serta pertimbangkan pemilihan backbone yang memiliki kecepatan dan akurasi tinggi, seperti ResNet atau Inception, untuk mengoptimalkan kinerja model.
Daftar Rujukan .
Syreen and K.
Merriliance.
AuA Survey on Underwater Fish Species Detection and Classification International Journal of Computer Sciences and Engineering Open Access A Survey on Underwater Fish Species Detection and Classification,Ay no.
April 2019, 2020, doi:
26438/ijcse/v7si8.
Ren.
He.
Girshick, and J.
Sun.
AuFaster R-CNN:
Towards Real-Time Object Detection with Region Proposal Networks,Ay p.
9, 2015.
Salman et al.
AuFish species classification in unconstrained underwater environments based on deep learning,Ay Limnol.
Oceanogr.
Methods, vol.
14, no.
9, pp.
570Ae585, 2016, doi: 10.
1002/lom3.
Islam.
Xia, and J.
Sattar.
AuFast Underwater Image Enhancement for Improved Visual Perception,Ay Ie Robot.
Autom.
Lett.
, vol.
5, no.
2, pp.
3227Ae3234, 2020, doi:
1109/LRA.
Howard.
Wang.
Chu.
Chen.
Chen, and M.
Tan.
AuSearching for MobileNetV3 Accuracy vs MADDs vs model size,Ay Int.
Conf.
Comput.
Vis.
, pp.
1314Ae1324, 2019.
Salman et al.
AuAutomatic fish detection in underwater videos by a deep neural network-based hybrid motion learning system,Ay ICES J.
Mar.
Sci.
, vol.
77, no.
4, pp.
1295Ae1307, 2020, doi: 10.
1093/icesjms/fsz025.
Kim.
AuDeep Learning,Ay Artif.
Intell.
6G, vol.
22, no.
247Ae303, 2022, doi: 10.
1007/978-3-030-95041-5_6.
Liu et al.
AuDeep Learning for Generic Object Detection:
A Survey,Ay Int.
Comput.
Vis.
, vol.
128, no.
2, pp.
261Ae 318, 2020, doi: 10.
1007/s11263-019-01247-4.
Huang.
Rathod, and C.
Sun.
AuSpeed/accuracy tradeoffs for modern convolutional object detectors,Ay Proc.
Ie CVPR, 2017.
Zhang.
Wen.
Bian.
Lei, and S.
Li.
AuRefinementNet,Ay Proc.
Ie Conf.
Comput.
Vis.
Pattern Recognit.
, pp.
4203Ae4212, 2018.
-Y.
Fu.
Shvets, and A.
Berg.
AuRetinaMask:
Learning to predict masks improves state-of-the-art singleshot detection for free,Ay 2019, [Onlin.
Available:
http://arxiv.
org/abs/1901.
Ghatwary.
Ye, and M.
Zolgharni.
AuEsophageal Abnormality Detection Using DenseNet Based Faster RCNN with Gabor Features,Ay Ie Access, vol.
7, pp.
84374Ae84385, 2019, doi: 10.
1109/ACCESS.
Kingma and J.
Ba.
AuAdam: A method for stochastic optimization,Ay 3rd Int.
Conf.
Learn.
Represent.
ICLR 2015 - Conf.
Track Proc.
, pp.
1Ae15, 2015.
Girshick.
AuFast R-CNN,Ay 2015.
Tharwat.
AuClassification assessment methods,Ay Appl.
Comput.
Informatics, vol.
17, no.
1, pp.
168Ae192, 2018, doi:
1016/j.
Chicco and G.
Jurman.
AuThe advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation,Ay BMC Genomics, vol.
21, no.
1, pp.
1Ae13, 2020, doi:
1186/s12864-019-6413-7.
Chai and R.
Draxler.
AuRoot mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature,Ay Geosci.
Model Dev.
, vol.
7, no.
3, pp.
1247Ae1250, 2014, doi: 10.
5194/gmd-7-12472014.
Willmott and K.
Matsuura.
AuAdvantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance,Ay Clim.
Res.
, vol.
30, no.
1, pp.
79Ae82, 2005, doi:
3354/cr030079.
Alexander.
Tropsha, and David A.
Winkler.
AuBeware of R2: simple, unambiguous assessment of the prediction accuracy of QSAR and QSPR models,Ay Chem.
Inf.
Model.
, vol.
55, no.
7, pp.
1316Ae1322, 2015.
Gosiewska.
Wonica, and P.
Biecek.
AuInterpretable meta-score for model performance,Ay Nat.
Mach.
Intell.
, vol.
4, no.
9, pp.
792Ae800, 2022, doi: 10.
1038/s42256-02200531-2.
Miller.
Portlock.
Nyaga, and J.
OAoSullivan.
AuA review of model evaluation metrics for machine learning in genetics and genomics,Ay Front.
Bioinforma.
, vol.
September, 1Ae13, 3389/fbinf.
Powers.
AuEvaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,Ay pp.
37Ae63, 2020, [Onlin.
Available:
http://arxiv.
org/abs/2010.
Journal of Applied Smart Electrical Network and Systems (JASENS) Yolanda Eka Pratiwi1.
Yurni Oktarina2.
Tresna Dewi3 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
41 Ae 48
Journal of Applied Smart Electrical Network and Systems (JASENS)