Identifikasi Tuna Sirip Kuning (Thunnus albacares), Tongkol (Euthynnus affinis), dan Cakalang (Katsuwonus pelamis) Menggunakan Deep Learning
Abstract
Ikan tuna sirip kuning (Thunnus albacares), tongkol (Euthynnus affinis), dan cakalang (Katsuwonus pelamis) memiliki nilai ekonomis penting bagi sektor perikanan tangkap di Indonesia. Selama ini, kegiatan identifikasi ikan-ikan tersebut dan jenis tuna lainnya dilakukan secara manual yang dapat menimbulkan kesalahan dan pada akhirnya memengaruhi statistik, pendugaan stok, atau ketertelusuran (traceability). Penelitian ini bertujuan untuk menggunakan metode deep learning dalam pengidentifikasian tiga spesies tuna, yaitu tuna sirip kuning, tongkol, dan cakalang. Model terbaru YOLO yaitu YOLOv5 digunakan untuk pengidentifikasian ikan tersebut. Salah satu parameter pembelajaran pada proses pembelajaran yaitu epoch. Jumlah epoch yang menghasilkan nilai accuracy optimum untuk digunakan pada model YOLOv5 yaitu jumlah epoch 400. Saat model melakukan pembelajaran dengan jumlah epoch 400 didapatkan training loss yang rendah. Bertambahnya jumlah epoch akan mengurangi training loss dan meningkatkan accuracy yang dapat meningkatkan kemampuan untuk memperbaiki nilai error. Nilai untuk training loss, accuracy, precision, recall dan F1-Score saat model melakukan pembelajaran dengan jumlah epoch 400 yaitu 0.000253, 95%, 98.1%, 93.9%, dan 96%. Berdasarkan hasil tersebut, ketiga spesies dari ikan tuna dapat teridentifikasi dengan accuracy yang tinggi. Yellowfin tuna (Thunnus albacares), mackarel tuna (Euthynnus affinis), and skipjack tuna (Katsuwonus pelamis) have important economic values for the capture fisheries in Indonesia. Activities of identifying these fish and other types of tuna have been done manually, which can lead to errors and ultimately affect statistics, stock estimates, or traceability. The aim of this research is to use deep learning methods in identifying three species of tuna, specifically yellowfin tuna, mackarel tuna, and skipjack tuna. YOLO's newest model, YOLOv5, was used to identify the fish. One of the learning parameters in the training process is epoch. The number of epochs that produces the optimum accuracy value for use in the YOLOv5 model is the number of epochs of 400. Low training loss is obtained when the model is learning with the number of epochs of 400. Increasing the number of epochs will reduce training loss and increase accuracy which can increase the ability to correct error values. The values for training loss, accuracy, precision, recall and F1-Score when the model is learning with a total of 400 epochs are 0.000253, 95%, 98.1%, 93.9%, and 96%. Based on these results, the three species of tuna can be identified with high accuracy.