13519055 Michael Owen.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.