Perpustakaan Digital ITB

Pengenalan dan klasifikasi ikan adalah salah satu penelitian yang menantang dalam domain kelautan dan bahkan pada bidang pertanian serta diakui sebagai penelitian yang menjanjikan untuk mendorong bidang ini ke depan. Meskipun dalam hal proses pengumpulan data secara real-time ,domain penelitian ini telah maju dengan pesat, tetapi dalam hal mengenali dan mengklasifikasikan ikan dari citra bawah laut masih diperlukan banyak perbaikan. Hal ini dikarenakan masalah dalam proses pengenalan dan klasifikasi ikan harus dapat mengatasi masalah seperti, bervariasinya ukuran dan bentuk ikan, kualitas citra atau video yang buruk, perubahan lingkungan, dsb. Salah satu cara yang dapat dilakukan untuk mengatasi hal tersebut adalah dengan menggunakan pendekatan feature learning. Salah satu metode yang cukup baik dalam menyelesaikan permasalahan klasifikasi dengan data yang besar adalah deep learning. Arsitektur deep learning yang sering digunakan pada domain deteksi dan klasifikasi citra adalah convolutional neural network. Tujuan dari penelitian ini mengatasi masalah klasifikasi spesies ikan berbasis video. Pendekatan yang digunakan untuk mengatasi masalah ini adalah dengan menerapkan pendekatan ekstraksi fitur berbasis feature learning menggunakan metode Convolutional Neural Network (CNN). Dalam melakukan proses klasifikasi ikan berbasis video, diperlukan dua tahapan utama yaitu deteksi dan klasifikasi. Pada tahap deteksi, algoritma moving average pixel dan adaptive GMM digunakan. Dari hasil pengujian diketahui bahwa akurasi deteksi kedua algoritma tersebut adalah 38.70% untuk metode moving average pixel dan 55.39% untuk metode adaptive GMM. Pada tahap klasifikasi dilakukan dengan membangun model dengan menggunakan dataset citra. Proporsi data training dan testing yang digunakan dalam penelitian ini adalah 70% untuk data training dan 30 untuk data testing. Proses pembangunan model dilakukan dengan menguji arsitektur CNN dengan berbagai macam pengaturan. Pengaturan pertama adalah melakukan pengujian terhadap penggunaan teknik dropout untuk mengatasi overfitting. Hasil pengujian menunjukkan bahwa model CNN yang dibangun dengan teknik dropout memberikan akurasi klasifikasi data testing yang lebih tinggi jika dibandingkan dengan model CNN tanpa dropout. Pengaturan kedua adalah menguji, model CNN beragam jumlah layer dan mini-batch data. Dari hasil pengujian menggunakan data testing, model terbaik adalah CNN dengan 4 Layer konvolusi dengan 16 batch data dengan nilai akurasi sebesar 98.7%. Pengujian selanjutnya adalah dengan menerapkan proses data augmentasi pada data training untuk mengatasi permasalahan imbalanced data. Hasilnya, model CNN dengan 2 layer konvolusi dan 32 batch data memiliki nilai recall, precision dan f1 score tertinggi dengan masing-masing sebesar 99.3%, 99.65%, dan 99.48%. Untuk mengetahui tingkat generalisasi dari model yang telah dibangun, model terbaik yang berhasil diperoleh kemudian diuji dengan menggunakan dataset video. Hasilnya model CNN 2 layer dengan 32 batch data memberikan nilai precision, recall dan f1 score masing-masing sebesar, 42%, 47% dan 36%. Pengujian selanjutnya dilakukan untuk meningkatkan akurasi testing pada dataset video dengan gabungkan dataset citra dan dataset video. Pada pengujian ini, dataset video yang digunakan sebanyak 20 video dari total 77 video. Hasil pengujian menggunakan data gabungan ini memberikan nilai precision, recall dan f1 score masing-masing sebesar, 48.67%, 58.73% dan 49.4%. Nilai precision, recall dan f1 score yang rendah pada model CNN yang dikembangkan disebabkan karena variasi yang sangat besar antara data yang digunakan pada saat training dan data testing. Untuk mengatasi permasalahan tersebut dibangun arsitektur dengan menggunakan teknik transfer learning. Arsitektur yang digunakan dalam proses transfer learning adalah Faster RCNN dan Resnet. Lebih lanjut, arsitektur ini dikembangkan untuk menyelesaikan dua task sekaligus yaitu deteksi dan klasifikasi ikan. Proses pembangunan model menggunakan teknik transfer learning dilakukan dengan menggunakan 20 dataset video sebagai data training dan 57 video sebagai data testing. Model yang dikembangkan dengan teknik transfer learning diuji dengan menggunakan metode mean average precision (mAP), metric pengujian untuk deteksi dan klasifikasi, dengan nilai sebesar 84%.