digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Ade Lailani
PUBLIC Yati Rochayati

COVER Ade Lailani
PUBLIC Yati Rochayati

BAB 1 Ade Lailani
PUBLIC Yati Rochayati

BAB 2 Ade Lailani
PUBLIC Yati Rochayati

BAB 3 Ade Lailani
PUBLIC Yati Rochayati

BAB 4 Ade Lailani
PUBLIC Yati Rochayati

BAB 5 Ade Lailani
PUBLIC Yati Rochayati

PUSTAKA Ade Lailani
PUBLIC Yati Rochayati

Estimasi umur ikan adalah salah satu kunci untuk mempelajari populasi ikan, memberikan pengetahuan yang berguna tentang tingkat pertumbuhan, kematian, dan umur dewasa. Untuk banyak spesies ikan, struktur keras seperti otolith dan fish scale (sisik ikan) dapat dianalisis untuk memperkirakan umur ikan. Umumnya, metode pembacaan umur ikan oleh para ahli didasarkan pada pembacaan fish scale dan gambar otolith merupakan sebuah proses yang seringkali memakan waktu dan mahal sehingga memerlukan pendekatan otomatis dan hemat biaya. Convolutional Neural Networks (CNNs) merupakan kelas deep learning untuk menganalisis gambar. Penggunaan metode CNN memerlukan modifikasi arsitekturnya untuk meningkatkan jaringan lebih efisien dan memberikan akurasi mutakhir dalam anggaran komputasi yang diberikan. Model CNN dibangun berupa model simple CNN, Stacked CNN dan Deeper CNN. Selain itu dilakukan implementasi transfer learning EfficientNet. Komputasi Pemrosesan citra gambar dan pengujian model CNN dilakukan dengan penggunaan GPU dari Google Colab Pro. Model simple CNN memberikan nilai akurasi yang lebih besar dari dua model lain yaitu stacked CNN dan deeper CNN. Akurasi simple CNN rata-rata yaitu 96% diikuti stacked CNN dengan nilai akurasi rata-rata 95% dan deeper CNN 93%. Model deeper CNN belum mampu mencapai nilai akurasi yang lebih tinggi, namun penggunaan model deeper CNN memiliki waktu yang paling cepat dari dua model lainnya yaitu 59 menit. Optimizer Adam lebih baik dari adadelta untuk mendapatkan nilai akurasi tinggi. Sedangkan optimizer Adadelta lebih baik dari optimizer Adam dalam efisiensi waktu. Penggunaan efficientnet-B0 hingga B4 memberikan nilai akurasi yang sama dan nilai loss yang sedikit berbeda. Perbedaan ada pada waktu dimana efficientnet-B0 memiliki waktu yang paling cepat dibanding model efficientnet yang lain. Sementara efficientnet-B1, efficientnet-B2, efficientnet-B3, dan efficientnet-B4 secara berurutan memiliki waktu yang semakin lama. Model CNN+Efficintnet-B0 memiliki performa terbaik dalam hal kecepatan yaitu mencapai 8 menit yang berarti 7x lipat lebih cepat dari model CNN tanpa efficientnet.