Analisis Deteksi Tingkat Kesegaran Ikan dengan Metode Deep Learning

Abstract

Produk hasil perikanan merupakan salah satu bahan pangan yang cepat membusuk atau perishable food karena mempunyai kandungan air dan protein yang tinggi sehingga perlu ditangani dengan benar agar tetap terjaga mutunya. Kemunduran mutu ikan dibagi menjadi tiga fase, yaitu pre-rigor, rigor mortis, dan post-rigor. Uji subjektif dan objektif yang digunakan untuk mengetahui proses kemunduran ikan memerlukan keahlian khusus dan waktu sehingga tidak efektif untuk digunakan masyarakat di pasar. Kondisi produk ikan yang beredar di pasar tradisional maupun modern belum tentu terjamin mutunya sehingga keputusan masyarakatlah yang pada akhirnya menentukan layak atau tidaknya ikan yang tersedia untuk diproses. Teknologi kecerdasan buatan, khususnya deep learning dapat digunakan untuk menganalisis gambar untuk mendeteksi tingkat kesegaran ikan secara otomatis dan akurat. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi efisiensi beberapa model deep learning untuk pendeteksian tingkat kesegaran ikan dan, mengimplementasikannya ke dalam aplikasi berbasis android sehingga dapat digunakan oleh masyarakat dengan mudah. Penelitian dimulai dengan mengumpulkan data gambar mata ikan dan sekitarnya untuk menangkap proses kemunduran mutu secara visual serta uji pH sebagai acuan fase postmortem. Hal tersebut dilakukan selama 24 jam dengan pengambilan gambar dan uji pH dilakukan setiap jam pada tiga spesies ikan yang berbeda (Rachycentron canadum, Trachinotus blochi, dan Lates calcarifer). Dataset yang dihasilkan dibagin menjadi tiga kelas sesuai fase postmortem yang terbagi atas pre-rigor/segar, rigor mortis/agak segar, dan post-rigor/tidak segar. Kemudian, dataset yang telah dibagi perkelas dibagi lagi dengan metode 10-fold cross validation sehingga menghasilkan sepuluh kombinasi dataset. Algoritma deep learning yang digunakan untuk melatih kesepuluh kombinasi dataset adalah You Only Look Once version 5 (YOLOv5) dan Faster Region-based Convolutional Neural Nerwork (Faster R-CNN). Model dengan akurasi terbaik kemudian diimplementasikan pada aplikasi berbasis android. Hasil dari penelitian ini menunjukkan YOLOv5 memiliki nilai rata-rata setiap metrik lebih tinggi dibandingkan dengan Faster R-CNN dalam mendeteksi tingkat kesegaran ikan. Pada algoritma YOLOv5, dataset yang memiliki nilai rataan mendekati akurasi adalah dataset 8. Algoritma ini memiliki precision sebesar 99.4%, recall sebesar 98.1%, f1-score sebesar 98.7%, accuracy sebesar 99.3%, dan mAP sebesar 99.3%. Pada algoritma Faster-RCNN, dataset terbaik adalah dataset 1 dengan precision sebesar 92.3%, recall sebesar 91.8%, f1-score sebesar 92.1%, accuracy sebesar 91.4%, dan mAP sebesar 97.4%. Model YOLOv5 untuk dataset 8 dipilih untuk implementasi aplikasi android karena memiliki nilai yang cukup tinggi di semua metrik. Implementasi aplikasi Android efektif dalam menyediakan beberapa fitur dan informasi penting seperti deteksi hasil tingkat kesegaran ikan dan confidence score.

Fishery products are among the most perishable foods due to their high water and protein content, necessitating proper handling to maintain their quality. The degradation of fish quality is divided into three phases: pre-rigor, rigor mortis, and post-rigor. Subjective and objective tests used to determine the degradation process of fish require specific expertise and time, making them ineffective for use by the general public in markets. The quality of fish products available in traditional and modern markets is not always guaranteed, leaving it up to consumers to decide whether the fish is suitable for processing. Artificial intelligence technology, particularly deep learning, can be used to analyze images to automatically and accurately detect the freshness of fish. Therefore, this study aims to evaluate the efficiency of several deep learning models for detecting fish freshness and to implement them into an Android-based application for easy use by the public. The research began with collecting images of fish eyes and surrounding areas to visually capture the quality degradation process and performing pH tests as a reference for postmortem phases. This was conducted over 24 hours, with images and pH tests taken every hour on three different fish species (Rachycentron canadum, Trachinotus blochii, and Lates calcarifer). The resulting dataset was divided into three classes corresponding to postmortem phases: pre-rigor/fresh, rigor mortis/slightly fresh, and post-rigor/not fresh. The dataset was then split into ten combinations using the 10-fold cross-validation method. The deep learning algorithms used to train these ten dataset combinations were You Only Look Once version 5 (YOLOv5) and Faster Region-based Convolutional Neural Network (Faster R-CNN). The model with the best accuracy was then implemented into an Android-based application