IMPLEMENTASI OBJECT DETECTION UNTUK KLASIFIKASI JENIS IKAN MENGGUNAKAN ALGORITMA FASTER R-CNN

Indonesia sebagai negara kepulauan dengan wilayah perairan yang luas dan
kekayaan biota air yang melimpah, menghadapi tantangan dalam pengelolaan dan
identifikasi jenis ikan karena keterbatasan jumlah pakar dan kemiripan antarspesies.
Untuk mengatasi masalah tersebut, penelitian ini bertujuan mengembangkan sistem
klasifikasi otomatis untuk jenis ikan menggunakan algoritma Faster R-CNN. Faster R�CNN adalah algoritma deteksi objek berbasis wilayah yang mampu meningkatkan
kecepatan dan akurasi deteksi dengan menggunakan Region Proposal Network (RPN).
Dalam penelitian ini, model Faster R-CNN dilatih menggunakan dataset gambar ikan
yang telah diannotasi untuk mengidentifikasi berbagai jenis ikan. Dengan bantuan
teknologi kecerdasan buatan, khususnya deep learning, sistem ini diharapkan dapat
membantu mempermudah tugas pengamat atau peneliti dalam mengenali jenis ikan tanpa
perlu bergantung pada keberadaan pakar secara langsung. Hasil pengujian menunjukkan
bahwa algoritma Faster R-CNN mampu memberikan performa deteksi yang akurat dalam
klasifikasi jenis ikan, yang ditunjukkan melalui metrik evaluasi seperti mean average
precision. Model menghasilkan nilai mean Average Precision (mAP) sebesar 91,30%
pada 3000 data, 91,80% pada 5000 data, dan 82,56% pada 7000 data. Sistem yang
dikembangkan ini diharapkan dapat menjadi solusi yang efisien untuk pengelolaan
sumber daya perikanan di Indonesia serta mendukung kegiatan penelitian terkait
identifikasi biota laut secara lebih luas.
Kata kunci: Deteksi Objek, Faster R-CNN, Deep Learning