IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS IKAN MAS KOKI (CARASSIUS AURATUS) BERDASARKAN CIRI MORFOLOGI

Ikan koki (Carassius auratus) merupakan komoditas ikan hias yang populer dan memiliki nilai ekonomi tinggi, namun identifikasi jenisnya secara manual seringkali subjektif dan memakan waktu. Untuk mengatasi hal ini, penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis Convolutional Neural Network (CNN) untuk mengidentifikasi tiga varietas ikan koki utama: Oranda, Ranchu, dan Ryukin. Dataset terdiri dari 240 gambar yang diambil menggunakan kamera ponsel, dibagi menjadi 192 gambar untuk pelatihan dan 48 gambar untuk pengujian. Model CNN dirancang dengan arsitektur MobileNetV2 sebagai base model yang telah dilatih sebelumnya, sehingga mampu mengekstraksi fitur morfologi secara efisien. Teknik augmentasi data seperti rotasi, pergeseran, zoom, dan horizontal flip diterapkan untuk meningkatkan variasi data dan mencegah overfitting. Model dilatih selama 100 epoch menggunakan optimizer Adam dengan learning rate 5×10⁻⁵ dan fungsi loss categorical crossentropy. Hasil pelatihan menunjukkan akurasi training sebesar 95,35% dan akurasi validasi 93,75%. Pada pengujian, model mencapai akurasi tertinggi untuk Oranda (99,36%), diikuti Ranchu (91,00%), dan Ryukin (68,58%). Performa yang lebih rendah pada Ryukin disebabkan oleh kemiripan morfologi dengan varietas lain, terutama dalam bentuk tubuh dan sirip. Arsitektur model dilengkapi GlobalAveragePooling2D, lapisan Dense, Batch Normalization, dan Dropout untuk meningkatkan stabilitas dan mencegah overfitting. Callback seperti EarlyStopping digunakan untuk menghentikan pelatihan jika tidak ada perbaikan. Penelitian ini menunjukkan bahwa model CNN sangat potensial untuk digunakan dalam industri akuakultur, terutama dalam program breeding dan pelestarian genetik. Untuk pengembangan lebih lanjut, disarankan menambah jumlah dan variasi data, terutama untuk varietas yang sulit dikenali, agar performa model lebih akurat dan robust dalam kondisi dunia nyata.

Kata Kunci: Convolutional Neural Network, Klasifikasi Ikan Koki, Morfologi Ikan Koki, MobileNetV2, Augmentasi Data, Akurasi Model