Alain, Rifki (2025) KLASIFIKASI KESEGARAN IKAN BANDENG DENGAN CITRA INSANG MENGGUNAKAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.

	Text (Fulltext) Rifki Alain_3332180003_Fulltext.pdf Restricted to Registered users only Download (8MB) | Request a copy
	Text (Bab 1) Rifki Alain_3332180003_01.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (Bab 2) Rifki Alain_3332180003_02.pdf Restricted to Registered users only Download (960kB) | Request a copy
	Text (Bab 3) Rifki Alain_3332180003_03.pdf Restricted to Registered users only Download (711kB) | Request a copy
	Text (Bab 4) Rifki Alain_3332180003_04.pdf Restricted to Registered users only Download (657kB) | Request a copy
	Text (Bab 5) Rifki Alain_3332180003_05.pdf Restricted to Registered users only Download (237kB) | Request a copy
	Text (Daftar Referensi) Rifki Alain_3332180003_Ref.pdf Restricted to Registered users only Download (326kB) | Request a copy
	Text (Lampiran) Rifki Alain_3332180003_Lamp.pdf Restricted to Registered users only Download (10MB) | Request a copy
	Text (Hasil Cek Plagiasi) Rifki Alain_3332180003_CP.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Ikan bandeng (chanos chanos) merupakan salah satu komoditas unggulan perikanan di Indonesia yang memiliki nilai gizi tinggi. Nilai gizi yang tinggi ini berbanding lurus dengan peningkatan angka konsumsi ikan di masyarakat. Namun, peningkatan konsumsi ini juga memperbesar risiko peredaran ikan tidak layak konsumsi akibat penurunan mutu selama proses distribusi. Penelitian ini bertujuan mengembangkan sistem klasifikasi kesegaran ikan bandeng secara objektif menggunakan teknologi pengolahan citra digital berbasis warna dengan metode Jaringan Saraf Tiruan (JST) Learning Vector Quantization (LVQ) yang diaplikasikan pada fitur warna (HSV) dari citra insang. Sebanyak 1500 citra insang ikan bandeng yang terbagi ke dalam kelas segar, sedang, dan busuk dikumpulkan secara seimbang, kemudian dipra-pemrosesan dan dibagi menjadi 80% data latih serta 20% data uji. Hasil pengujian menunjukkan bahwa performa model LVQ sangat dipengaruhi oleh jumlah prototype dan nilai learning rate, sedangkan jumlah epoch tidak memberikan dampak signifikan setelah konvergensi awal. Model LVQ mampu mengklasifikasikan tingkat kesegaran ikan bandeng secara efektif dan akurat, mencapai akurasi tertinggi sebesar 94% pada data uji dengan konfigurasi optimal: prototype 3, learning rate 0,001, dan epoch 300.

Actions (login required)

View Item