Implementasi Model YOLOv8-Pose untuk Identifikasi dan Estimasi Pengukuran Panjang Ikan Tongkol dan Cakalang pada Website.

Abstract

Ikan tongkol dan ikan cakalang memainkan peran penting pada sektor perikanan tangkap di Indonesia karena menjadi komoditas ekspor terbesar. Kedua kelompok ini juga memiliki keragaman spesies yang cukup banyak dan dapat memakan waktu untuk melakukan kegiatan identifikasi serta pengukuran panjang karena kelimpahan ikan hasil tangkapan serta karteristik morfologis yang hampir mirip. Penelitian ini bertujuan mengaplikasikan algoritma kecerdasan buatan untuk mendeteksi spesies dan estimasi panjang ikan tongkol lisong (Auxis rochei), tongkol hitam (Euthynnus lineatus), tongkol putih (Euthynnus affinis), dan cakalang (Katsuwonus pelamis) serta mengaplikasikannya pada sebuah website. Model deep learning yang digunakan YOLOv8-Pose untuk mengidentifikasi setiap spesies ikan dan mengukur estimasi panjang ikan dengan menentukan titik keypoint. Dataset yang digunakan sebanyak 148 gambar untuk penggaris dan 185 gambar untuk 4 jenis ikan. Pelabelan dataset dibantu dengan Computer Vision Annotation Tool (CVAT) untuk penentuan kotak dan titik keypoint yang dideteksi. Dataset yang telah diberi label akan di training menggunakan Google Collaboratory dan menghasilkan dua bobot model. Kedua model memperoleh tingkat akurasi sebesar 100%, precision, recall, serta F1-score bernilai 1. Nilai koefisien antara korelasi panjang ikan sebenarnya dengan panjang ikan deteksi sebesar 0.8649 atau 86.5% yang menandakan ada hubungan antara dua variabel. Website dibuat menggunakan framework streamlit dan berhasil melakukan identifikasi serta pengukuran panjang lalu disimpan dalam format CSV. Disimpulkan bahwa model dengan jumlah kumpulan data yang terbatas pada Auxis rochei, Euthynnus lineatus, Euthynnus affinis, dan Katsuwonus pelamis dapat diidentifikasi secara akurat dan dapat menghitung estimasi panjang ikan melalui website.