EVOLUSI PERFORMA ARSITEKTUR DEEP LEARNING MELALUI OPTIMASI BERTAHAP DAN INTERPRETABILITAS GRAD-CAM UNTUK KLASIFIKASI PENYAKIT IKAN AIR TAWAR

Kirana Wulandari, Sasa (2026) EVOLUSI PERFORMA ARSITEKTUR DEEP LEARNING MELALUI OPTIMASI BERTAHAP DAN INTERPRETABILITAS GRAD-CAM UNTUK KLASIFIKASI PENYAKIT IKAN AIR TAWAR. Masters thesis, UNAMA.

	Text BAB I.pdf Download (198kB)
	Text BAB II.pdf Restricted to Registered users only Download (410kB)
	Text BAB III.pdf Restricted to Registered users only Download (502kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Download (145kB)
	Text DAFTAR PUSTAKA.pdf Download (228kB)

Abstract

Penyakit pada ikan merupakan ancaman serius dalam sektor akuakultur yang dapat mengakibatkan kematian massal serta kerugian finansial signifikan, sehingga diperlukan deteksi dini yang akurat untuk mencegah penyebaran infeksi lebih luas. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan performa arsitektur Deep Learning yaitu ResNet50, DenseNet201, dan EfficientNetV2-S dalam mengklasifikasikan tujuh jenis kondisi kesehatan ikan, meliputi Ikan Sehat, Aeromoniasis, Bacterial Gill Disease, Bacterial Red Disease, Saprolegniasis, Penyakit Parasit, dan White Tail Disease, dengan fokus tambahan pada aspek transparansi keputusan model melalui metode Explainable AI (XAI). Metode penelitian mencakup tahapan praproses citra, pembagian dataset (splitting), pelatihan model dengan teknik fine-tuning, serta optimasi menggunakan Adam Optimizer yang kemudian dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, Matthews Correlation Coefficient (MCC), dan kurva ROC/AUC. Untuk memberikan interpretasi visual, digunakan teknik Gradient-weighted Class Activation Mapping (Grad-CAM) yang dihaluskan dengan Bilateral Filter guna mengidentifikasi area patologis pada anatomi ikan secara presisi. Hasil penelitian menunjukkan bahwa arsitektur EfficientNetV2-S memberikan performa paling optimal dibandingkan model lainnya dengan nilai accuracy sebesar 98,41% serta nilai MCC dan AUC yang sangat kuat. Penggunaan Grad-CAM membuktikan bahwa model secara konsisten memusatkan perhatian pada fitur visual yang relevan dengan gejala klinis seperti lesi kulit dan pertumbuhan jamur, sehingga dapat disimpulkan bahwa kombinasi EfficientNetV2-S dan Grad-CAM menghasilkan klasifikasi yang akurat sekaligus dapat dipertanggungjawabkan secara visual sebagai basis pengembangan sistem pakar deteksi penyakit ikan.

Actions (login required)

View Item