STUDI KOMPARASI PERFOMA MODEL CASCADE ENSEMBLE NEURAL NETWORK MELALUI KOMBINASI ARSITEKTUR TRANSFER LEARNING INCEPTIONV3, DENSENET201, DAN MOBILENETV2 UNTUK KLASIFIKASI JENIS IKAN LAUT

Provinsi Bengkulu memiliki potensi produksi sumber daya perikanan laut
sebesar 29.246 ton, sehingga wilayah Bengkulu memiliki keunggulan di sektor
perikanan khususnya perikanan tangkap. Semua jenis hasil tangkapan ikan yang
diperoleh nelayan kemudian akan disortir, sebelum dijual kepada pengepul ikan
hingga sampai kepada konsumen akhir. Namun, proses penyortiran yang dilakukan
oleh nelayan masih dilakukan secara manual sehingga memakan waktu dan
menguras energi. Integrasi AI dan deep learning mampu mengintegrasikan suatu
bentuk otomatisasi dalam proses peyortitan ikan, sehingga dalam penelitian ini akan
menghasilkan model klasifikasi jenis ikan dengan performa terbaik melalui
kombinasi arsitektur InceptionV3, DenseNet201, dan MobileNetV2 dengan
pendekatan Cascade Ensemble Neural Network. Kombinasi ID (InceptionV3 dan
DenseNet201) dan IDM (InceptionV3, Densenet201, dan MobilenetV2)
memperoleh akurasi tertinggi dibandingkan kombinasi DM (Densenet201 dan
MobilenetV2) dan IM (InceptionV3 dan MobilenetV2). Akurasi yang diperoleh
dari tahapan evaluasi dengan data testing kedua, mencapai di atas 93% untuk
kombinasi ID dan akurasi di atas 94% untuk kombinasi IDM. Sementara model
yang dihasilkan dengan 5.000 dan 3.000 data melalui Cascade Ensemble Neural
Network masih cukup signifikan untuk melakukan klasifikasi ikan, meskipun
terjadi penurunan secara gradual. Kombinasi ID pada 5.000 data menghasilkan
akurasi tertinggi mencapai 93,17%, sementara kombinasi IDM pada data 3.000
menghasilkan akurasi sebesar 90,67% tertinggi dibandingkan kombinasi model
lainnya. Meskipun terjadinya penurunan pada setiap jumlah data yang berkurang,
namun hasil evaluasi menunjukkan bahwa penurunan ini bersifat gradual. Kondisi
ini menggambarkan bahwa model akan mengalami penurunan akurasi ketika
berkurangnya jumlah data, namun akurasi yang diperoleh masih mampu
mempertahankan performa yang relatif baik.
Kata kunci: Klasifikasi, Dataset Jenis Ikan Laut, Reduksi Jumlah Data, Artificial
Intelligence, Deep Learning, Transfer learning, Ensemble Learning, Cascade
Neural Network.