Smart Aquaculture Vision: Deteksi dan Klasifikasi Ikan Otomatis Menggunakan YOLOv8
DOI:
https://doi.org/10.36706/jres.v6i2.157Keywords:
Deep Learning, Artificial Intelligent, Klasifikasi, Deteksi Objek, YOLOAbstract
Akuakultur modern menuntut sistem pemantauan ikan yang efisien dan akurat guna meningkatkan produktivitas dan keberlanjutan. Penelitian ini mengusulkan pemanfaatan algoritma deteksi objek berbasis deep learning, yaitu YOLOv8, untuk mendeteksi dan mengklasifikasikan tiga jenis ikan secara otomatis: Black Spotted Barb, Gourami, dan Mosquito Fish. Dataset yang digunakan berasal dari Kaggle dan terdiri atas 730 gambar yang telah dilabeli ulang menggunakan Roboflow. Proses pelatihan dilakukan di Google Colab dengan konfigurasi GPU, batch size 32, selama 100 epoch. Model dievaluasi menggunakan metrik presisi, recall, dan mAP. Hasil evaluasi menunjukkan performa yang sangat baik dengan nilai precision sebesar 0.978, recall sebesar 0.928, mAP50 sebesar 0.973, dan mAP50-90 sebesar 0.616. Temuan ini membuktikan bahwa YOLOv8 mampu memberikan deteksi objek yang akurat dan efisien, serta berpotensi untuk diterapkan dalam sistem pemantauan akuakultur berbasis visi komputer secara real-time.
Downloads
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Jurnal Rekayasa Elektro Sriwijaya

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.