Perpustakaan Digital ITB

Banyak tantangan agar Indonesia dapat bersaing dengan negara lain dalam hal akuakultur salah satunya adalah otomasi. Penggunaan otomasi yang efektif mampu mengatasi kondisi underfeeding dan overfeeding. Sistem pemberian pakan otomatis berbasis machine learning menjadi solusi yang dapat menggantikan sistem konvensional. Penggunaan sensor gelombang dan kamera dari atas air memiliki beberapa kekurangan yang dapat diatasi menggunakan sensor kamera bawah air oleh karena itu proyek penelitian ini menggunakan kamera bawah air untuk memperoleh data ikan. Tujuan dari penelitian ini adalah untuk mengetahui arsitektur terbaik diantara CNN-RNN, CNN- LSTM, dan CNN-GRU serta bagaimana konfigurasinya. Dataset yang digunakan diperoleh melalui perekaman aktivitas ikan di akuarium. Dataset berjumlah 1.775 video berdurasi 5 detik untuk tiap video yang terbagi menjadi 2 label yakni lapar dan tidak lapar dengan rasio 51% : 49%. Dataset ini kemudian dilatih menggunakan arsitektur CNN- RNN, CNN-LSTM, dan CNN-GRU. Setelah dilakukan eksperimen diperoleh bahwa CNN-RNN memiliki akurasi 0,9551, CNN-GRU memiliki akurasi 0,9494, dan melalui penelitian ini diperoleh bahwa arsitektur yang menghasilkan akurasi terbaik adalah CNN- LSTM dengan akurasi 0,9607. Arsitektur CNN-LSTM yang digunakan terdiri atas 4 layer CNN, 2 layer LSTM, dan diakhiri dengan fully connected neural network. Konfigurasi yang digunakan yakni jenis gambar RGB, ukuran frame 64 x 64, jumlah frame 10, batch size 32, dan optimizer Adam dengan learning rate sebesar 0,001.