Deteksi Penyakit Motile Aeromonas Septicemia (MAS) Pada Ikan Mas Menggunakan Metode Deep Learning

Abstract

Ikan mas (Cyprinus carpio) adalah komoditas perikanan air tawar dengan nilai ekonomis tinggi sehingga banyak dibudidayakan. Namun, budidaya ikan mas rentan terhadap penyakit, seperti Motile Aeromonas Septicemia (MAS), yang dapat menyebabkan kematian. Penyakit MAS dapat dilihat secara kasat mata, namun pembudidaya sering menghadapi kendala pengawasan yang kontinu. Penelitian ini menerapkan algoritma YOLOv8 dan DeepSORT untuk mendeteksi ikan mas dan luka akibat infeksi bakteri A. hydrophila secara otomatis, serta mendapatkan data luasan luka dan kecepatan renang ikan. Training dilakukan menggunakan dataset dua label yaitu bagian luka ikan terinfeksi dan seluruh tubuh ikan dengan epoch yang berturut-turut sebesar 3000 dan 1000. Hasil training didapatkan akurasi berlabel luka mencapai 91,49% pada konsentrasi penyakit 107 cfu/ml dan 88,68% pada konsentrasi penyakit 108 cfu/ml, sedangkan akurasi berlabel ikan mencapai 96,61% pada konsentrasi penyakit 107 cfu/ml dan 93,44% pada konsentrasi penyakit 108 cfu/ml. Koefisien luas luka hasil prediksi terhadap hasil sebenarnya mendekati 1 yang menunjukkan kedekatan nilai kedua variabel, sedangkan estimasi kecepatan renang ikan yang didapatkan menunjukkan perilaku ikan yang lemas akibat penyakit MAS. Hasil menunjukkan bahwa kinerja model baik dalam mendeteksi ikan, luas luka, dan estimasi kecepatan renang namun model belum bisa mendeteksi penyembuhan pada ikan berdasarkan diameter luka dan kecepatan renang ikan yang dianalisis.

Common carp (Cyprinus carpio) is a freshwater fisheries commodity with high economic value, so it is widely cultivated. However, common carp farming is susceptible to diseases, such as Motile Aeromonas Septicemia (MAS), which can lead to mortality. MAS is visually detectable, but continuous monitoring challenges arise for farmers. This research employs the YOLOv8 and DeepSORT algorithms to automatically detect common carp and wounds caused by A. hydrophila bacterial infection, obtaining wound area and swimming speed data. Training on a dataset with two labels: infected fish wound areas and the entire fish body, using consecutive epochs of 3000 and 1000. The training results show wound label accuracy reached 91,49% for disease concentration 107 cfu/ml and 88,68% for disease concentration 108 cfu/ml, while the accuracy for fish label reached 96,61% for concentration 107 cfu/ml and 93,44% for concentration 108 cfu/ml. The coefficient value between predicted and actual wound areas approximates 1, indicating the proximity of the two variables. The estimate for fish swimming speed reflects lethargic behavior due to MAS. The results demonstrate that the model is effective in detecting fish, wound areas, and swimming speed, but the model can’t detect fish healing based on analyzed wound diameter and fish swimming speed.