Deteksi Penyakit Bakteri Aeromonas Hydrophila Pada Ikan Air Tawar Menggunakan Metode Convolutional Neural Network
Author
Abstract
Metode diagnosis tradisional untuk mendeteksi penyakit aeromonas hydrophila sering kali membutuhkan waktu dan tenaga, serta hasilnya tidak selalu konsisten. Hal ini menyebabkan keterlambatan dalam penanganan penyakit, yang berdampak pada kerugian ekonomi. Selain itu, konsumsi ikan yang terkontaminasi juga dapat menimbulkan risiko kesehatan bagi manusia, seperti gastroenteritis, infeksi kulit, hingga sepsis. Penelitian ini bertujuan untuk mendeteksi penyakit Aeromonas hydrophila pada ikan air tawar menggunakan metode Convolutional Neural Network (CNN). Penyakit aeromonas hydrophila, yang sering disebabkan oleh kondisi lingkungan yang buruk, telah berdampak signifikan pada ekosistem dan ekonomi sektor perikanan di Indonesia, dengan kerugian mencapai 12 triliun rupiah per tahun. Penelitian memanfaatkan model MobileNetV2 untuk klasifikasi tiga kategori gambar ikan: sehat, terinfeksi aeromonas hydrophila, dan penyakit lain (white spot). Data yang digunakan terdiri atas gambar ikan yang diproses dengan teknik augmentasi untuk meningkatkan variasi dataset. Model dilatih menggunakan transfer learning dengan arsitektur InceptionV3, dikombinasikan dengan lapisan fully connected dan fungsi aktivasi softmax untuk klasifikasi. Evaluasi kinerja dilakukan menggunakan metrik akurasi (80%), precision (86%), recall (80%), F1-score (78%), serta analisis confusion matrix. Hasil menunjukkan model mampu mencapai akurasi 96,57% pada data pengujian, dengan performa yang stabil pada data validasi. Hasil Penelitian ini menunjukkan potensi besar CNN dalam mendeteksi penyakit ikan secara otomatis dan efisien. Hasil penelitian diharapkan dapat berkontribusi pada peningkatan kualitas budidaya ikan, keamanan pangan, dan ketahanan ekonomi sektor perikanan. Metode diagnosis tradisional untuk mendeteksi penyakit aeromonas hydrophila sering kali membutuhkan waktu dan tenaga, serta hasilnya tidak selalu konsisten. Hal ini menyebabkan keterlambatan dalam penanganan penyakit, yang berdampak pada kerugian ekonomi. Selain itu, konsumsi ikan yang terkontaminasi juga dapat menimbulkan risiko kesehatan bagi manusia, seperti gastroenteritis, infeksi kulit, hingga sepsis. Penelitian ini bertujuan untuk mendeteksi penyakit Aeromonas hydrophila pada ikan air tawar menggunakan metode Convolutional Neural Network (CNN). Penyakit aeromonas hydrophila, yang sering disebabkan oleh kondisi lingkungan yang buruk, telah berdampak signifikan pada ekosistem dan ekonomi sektor perikanan di Indonesia, dengan kerugian mencapai 12 triliun rupiah per tahun. Penelitian memanfaatkan model MobileNetV2 untuk klasifikasi tiga kategori gambar ikan: sehat, terinfeksi aeromonas hydrophila, dan penyakit lain (white spot). Data yang digunakan terdiri atas gambar ikan yang diproses dengan teknik augmentasi untuk meningkatkan variasi dataset. Model dilatih menggunakan transfer learning dengan arsitektur InceptionV3, dikombinasikan dengan lapisan fully connected dan fungsi aktivasi softmax untuk klasifikasi. Evaluasi kinerja dilakukan menggunakan metrik akurasi (80%), precision (86%), recall (80%), F1-score (78%), serta analisis confusion matrix. Hasil menunjukkan model mampu mencapai akurasi 96,57% pada data pengujian, dengan performa yang stabil pada data validasi. Hasil Penelitian ini menunjukkan potensi besar CNN dalam mendeteksi penyakit ikan secara otomatis dan efisien. Hasil penelitian diharapkan dapat berkontribusi pada peningkatan kualitas budidaya ikan, keamanan pangan, dan ketahanan ekonomi sektor perikanan.