Klasifikasi Penyakit Ikan Air Tawar Menggunakan Algoritma Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet

Article Sidebar

PDF
Published: 2026-09-14
Keywords:
Fish Disease, CNN, MobileNetV2, Image Classification

Main Article Content

Salsabila Aulia Putri
Sekolah Tinggi teknologi Wastukancana
Teguh Iman Hermanto
M. Agus Sunandar

Abstract

Budidaya ikan air tawar berperan penting dalam sektor perikanan Indonesia, namun rentan terhadap serangan penyakit yang mengganggu produktivitas. Penelitian ini mengembangkan sistem klasifikasi penyakit ikan berbasis citra digital menggunakan algoritma Convolutional neural network (CNN) dengan arsitektur MobileNetV2. Model dilatih pada 2.450 gambar dari tujuh kelas dan ditingkatkan melalui teknik augmentasi citra. Hasil pelatihan menunjukkan akurasi 98,03% dan akurasi validasi 94,29%. Model kemudian diintegrasikan ke dalam aplikasi Android menggunakan Tensorflow lite, memungkinkan deteksi penyakit ikan secara cepat melalui gambar dari kamera atau galeri. Hasil menunjukkan sistem ini efektif dan praktis untuk deteksi dini penyakit ikan.

Article Details

Issue

Vol. 1 No. 1 (2026): Niskala Wastukancana Prosiding

Section

Articles

How to Cite

Klasifikasi Penyakit Ikan Air Tawar Menggunakan Algoritma Convolutional Neural Network (CNN) Dengan Arsitektur MobileNet. (2026). Niskala Wastukancana, 1(1), 209-215. https://jurnal.wastukancana.ac.id/index.php/niskala/article/view/577

References

[1] Permana, A. A., Muttaqin, M. R., & Sunandar, M. A. (2024). SISTEM DETEKSI API SECARA REAL TIME

MENGGUNAKAN ALGORITMA YOU ONLY LOOK ONCE ( YOLO ) VERSI 8. 8(5), 10395–10400.

[2] Roulina Berutu, S., & Taufik, F. (2020). Penerapan Data Mining Dalam Memprediksi Produksi Ikan Air Tawar Di

Kabupaten Pakpak Bharat Menggunakan Metode Regresi Linear Berganda STMIK Triguna Dharma ** Program Studi

Sistem Informasi, STMIK Triguna Dharma *** Program Studi Sistem Informasi, STMIK Tr. Jurnal CyberTech, 3(6), 1141–

1149. https://ojs.trigunadharma.ac.id/

[3] Biswas, S., Muduli, D., Islam, M. A., Kanade, A. S., Zamani, A. T., Kanade, S. P., & Parveen, N. (2024). Empirical

Evaluation of Deep Learning Techniques for Fish Disease Detection in Aquaculture Systems: A Transfer Learning and

Fusion-Based Approach. IEEE Access, 12(September), 176136–176154. https://doi.org/10.1109/ACCESS.2024.3504283

[4] Gunawan, C. R., Nurdin, N., & Fajriana, F. (2023). Deteksi Ikan Segar Secara Realtime dengan YOLOv4 menggunakan

Metode Convolutional Neural Network. Jurnal Komtika (Komputasi Dan Informatika), 7(1), 1–11.

https://doi.org/10.31603/komtika.v7i1.8986

[5] Kirana Wulandari, Sasa, J. (2024). Penggunaan resnet-50 untuk deteksi penyakit ikan air tawar di akuakultur studi

kasus pada akuakultur asia selatan. Senabistekes, 1, 17–24.

https://ejournal.ummuba.ac.id/index.php/SENABISTEKES/article/view/2205/1113

[6] Li, D., Li, X., Wang, Q., & Hao, Y. (2022). Advanced Techniques for the Intelligent Diagnosis of Fish Diseases: A

Review. Animals, 12(21), 1–26. https://doi.org/10.3390/ani12212938

[7] Maruf, A. Al, Fahim, S. H., Bashar, R., Rumy, R. A., Chowdhury, S. I., & Aung, Z. (2024). Classification of Freshwater

Fish Diseases in Bangladesh Using a Novel Ensemble Deep Learning Model: Enhancing Accuracy and Interpretability.

IEEE Access, 12(July), 96411–96435. https://doi.org/10.1109/ACCESS.2024.3426041

[8] Ahmed, M. S., Aurpa, T. T., & Azad, M. A. K. (2022). Fish Disease Detection Using Image Based Machine Learning

Technique in Aquaculture. Journal of King Saud University - Computer and Information Sciences, 34(8), 5170–5182.

https://doi.org/10.1016/j.jksuci.2021.05.003

[9] Hasan, N., Ibrahim, S., & Azlan, A. (2022). Fish diseases detection using convolutional neural network (CNN). Int. J.

Nonlinear Anal. Appl, 13(November 2021), 2008–6822. http://dx.doi.org/10.22075/ijnaa.2022.5839