PREDIKSI USIA KERANG ABALONE MENGGUNAKAN METODE KNN DAN C4.5 BERBASIS MACHINE LEARNING

Scheber, Drenda (2024) PREDIKSI USIA KERANG ABALONE MENGGUNAKAN METODE KNN DAN C4.5 BERBASIS MACHINE LEARNING. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (122kB)
	Text BAB II.pdf Restricted to Registered users only Download (321kB)
	Text BAB III.pdf Restricted to Registered users only Download (515kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Download (43kB)
	Text DAFTAR PUSTAKA.pdf Download (122kB)

Abstract

Industri perikanan telah menjadi pemasok penting bagi populasi global, dengan kerang Abalone menjadi salah satu komoditas yang diminati di pasar internasional. Namun, manajemen efektif dalam pembudidayaan kerang Abalone memerlukan pemahaman yang akurat tentang usia kerang, yang menjadi dasar untuk perencanaan budidaya dan pengelolaan stok. Tradisionalnya, penentuan usia kerang Abalone melibatkan proses yang rumit dan mahal, seperti pembacaan cincin pertumbuhan pada cangkangnya. Dalam beberapa tahun terakhir, teknik Machine Learning, seperti K-Nearest Neighbors (KNN) dan C4.5 (Decision Tree), telah muncul sebagai alat potensial untuk memprediksi usia organisme laut, termasuk kerang Abalone. Penelitian ini bertujuan untuk mengembangkan model prediksi usia kerang Abalone menggunakan pendekatan Machine Learning. Data karakteristik fisik dan biologis dari kerang Abalone akan dianalisis dan dimasukkan ke dalam model KNN dan C4.5 untuk memprediksi usia kerang dengan akurasi yang tinggi. Langkah-langkah validasi akan dilakukan untuk mengevaluasi kinerja model yang dikembangkan. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam pengelolaan pembudidayaan kerang Abalone, dengan menyediakan alat yang efektif dan efisien untuk menentukan usia kerang. Dengan demikian, penelitian ini tidak hanya akan bermanfaat bagi para petani dan pembudidaya kerang Abalone, tetapi juga akan mendukung upaya konservasi dan keberlanjutan industri perikanan secara keseluruhan.

Actions (login required)

View Item