KLASIFIKASI JENIS IKAN AIR TAWAR MENGGUNAKAN ALGORITMA CNN DAN ARSITEKTUR ALEXNET
DOI:
https://doi.org/10.33480/inti.v20i2.8025Keywords:
alexnet, classification, freshwater fishAbstract
Freshwater fish are an important commodity in the fishing industry that requires an accurate classification system. This study aims to develop a freshwater fish classification system using the Convolutional Neural Network (CNN) algorithm with AlexNet architecture, as well as applying data augmentation techniques to improve model accuracy. The dataset used consists of 488 images of five types of freshwater fish, namely catfish, baung fish, tapah fish, juaro fish, and patin fish, which were then augmented into 68,400 images. The model was trained using the Adam optimizer, with a batch size of 16, a learning rate of 1e-5, and 200 epochs. The results of the experiment show that the model achieved a training accuracy of 71.09%, a validation accuracy of 85.00%, and a testing accuracy of 80.29%. Precision reached 0.8310, Recall 0.7909, and F1-score 0.7912, indicating the model's excellent performance in classifying freshwater fish species. This research is expected to support the development of an automatic classification system for the freshwater fisheries industry
Downloads
References
Akbar, H., & Sandfreni, S. (2021). Klasifikasi Kanker Serviks Menggunakan Model Convolutional Neural Network Alexnet. JIKO (Jurnal Informatika Dan Komputer), 4(1), 44–51. https://doi.org/10.33387/jiko.v4i1.2606
Alfredo, I., & Suharjito. (2022). Perbaikan Model Alexnet Untuk Mendeteksi Kematangan Tbs Kelapa Sawit Dengan Menggunakan Image Enhancement Dan Hyperparameter Tuning. Jurnal Ilmiah Teknologi Dan Rekayasa, 27(1), 56–68. https://doi.org/10.35760/tr.2022.v27i1.5973
Arrank Tonapa, W., D.K. Manembu, P., & D. Kambey, F. (2024). Klasifikasi Ikan Cakalang dan Tongkol Menggunakan Convolutional Neural Network. Jurnal Teknik Informatika, 19(01), 31–36. https://doi.org/10.35793/jti.v19i01.52013
Cahyo, N. R. D., & Al-Ghiffary, M. M. I. (2024). An Image Processing Study: Image Enhancement, Image Segmentation, and Image Classification using Milkfish Freshness Images. IJECAR) International Journal of Engineering Computing Advanced Research, 1(1), 11–22.
Education, J. (2020). Identifkasi Jenis Ikan Air Tawar Di Sungai Yogi. 8(3), 139–143.
Gunardi, M. F. (2023). Implementasi Augmentasi Citra pada Suatu Dataset. Jurnal Informatika, 9(1), 1–5.
Mahmud, N. A., & Hartono, B. (2024). Implementasi Deep Learning Dengan Menggunakan Algoritma Convolutional Neural Network Untuk Mengidentifikasi Jenis Ikan Laut. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 9(2), 438–447. https://doi.org/10.29100/jipi.v9i2.4477
Massie, J. I., & Widodo, ST, M.Sc, PhD, A. M. (2023). Deep Learning untuk Klasifikasi Penyakit Retinopati Diabetik Menggunakan Arsitektur Alexnet dan Generative Adversarial Network. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 14(2), 251–260. https://doi.org/10.24176/simet.v14i2.9498
Nurapipah, M., & Lestari, A. (2023). Edukasi Manfaat Mengonsumsi Ikan Bagi Kesehatan. Jurnal Pengabdian Kepada Masyarakat : Kesehatan (JPKMK), 3(1), 57–68. https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=Edukasi+Manfaat+Mengonsumsi+Ikan+Bagi+Kesehatan.+Jurnal+&btnG=
Nurdiati, S., Najib, M. K., Bukhari, F., Ardhana, M. R., Rahmah, S., & Blante, T. P. (2022). Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut. Techno.Com, 21(3), 500–510. https://doi.org/10.33633/tc.v21i3.6373
Paputungan, F. (2023). Studi Tentang Budidaya Ikan Air Tawar Di Telaga Jaya Kabupaten Gorontalo. Jurnal Ilmu Manajemen Dan Bisnis, 11(3), 3–10.
Park, J. H., & Choi, Y. K. (2020). Efficient data acquisition and CNN design for fish species classification in Inland waters. Journal of Information and Communication Convergence Engineering, 18(2), 106–114. https://doi.org/10.6109/jicce.2020.18.2.106
Prasetyo, A., Masykur, F., Yusuf, A. R., Astuti, A. Y., & Abdurrozzaq, I. (2025). Analisis Deteksi Citra Mata Ikan Nila dengan Metode Convolutional Neural Network Arsitektur Alexnet. Jurnal Pustaka Data, 5(1), 48–53.
Prasetyo, E., Purbaningtyas, R., Dimas Adityo, R., Prabowo, E. T., Ferdiansyah, A. I., & Korespondensi, P. (2021). Perbandingan Convolution Neural Network Untuk Klasifikasi Kesegaran Ikan Bandeng Pada Citra Mata A Comparison Of Convolution Neural Network For Classifying Milkfish’s Freshness On Eye Images. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 8(3), 601–608. https://doi.org/10.25126/jtiik.202184369
Prasmatio, R. M., Rahmat, B., & Yuniar, I. (2020). Algoritma Convolutional Neural Network. Jurnal Informatika Dan Sistem Informasi (JIFoSI), 1(2), 510–521.
Pujiarini, E. H. (2023). Convolution Neural Network Untuk Identifikasi Tingkat Kesegaran Ikan Nila Berdasarkan Perubahan Warna Mata. Jurnal Khatulistiwa Informatika, 11(1), 21–25. https://doi.org/10.31294/jki.v11i1.14305
Tarisa, E., & Ariany, F. (2024). Perbandingan Kinerja Deep Learning Lenet Dan Alexnet Dengan Augmentasi Data Pada Identifikasi Anggrek. JIKA (Jurnal Informatika), 8(1), 51. https://doi.org/10.31000/jika.v8i1.9923
Weny Indah Kusumawati, & Adisaputra Zidha Noorizki. (2023). Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras. Journal of Computer, Electronic, and Telecommunication, 4(2). https://doi.org/10.52435/complete.v4i2.387
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Ahmad Rizky, Dedy Hermanto
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Penulis yang menerbitkan jurnal ini menyetujui ketentuan berikut:
1. Penulis memegang hak cipta dan memberikan hak jurnal mengenai publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Creative Commons Attribution 4.0 International License. yang memungkinkan orang lain untuk berbagi karya dengan pengakuan atas karya penulis dan publikasi awal pada jurnal.
2. Penulis dapat memasukkan pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan (misalnya, mengirimkannya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya pada Jurnal.
3. Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, dalam penyimpanan institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena hal itu dapat menghasilkan pertukaran yang produktif, serta kutipan dari karya yang diterbitkan sebelumnya.
