Sistem Deteksi Hama Pada Kolam Budidaya Ikan Berbasis Audio dan Video

  • Septa Yudha Prasetya Institut Teknologi Nasional, Malang
  • I Komang Somawirata Institut Teknologi Nasional, Malang
  • Aryuanto Soetedjo Institut Teknologi Nasional, Malang
  • Radimas Putra Muhammad Davi Labib Institut Teknologi Nasional Malang
Keywords: CNN, Image Classifier, Fast Fourier Transform, Sistem Deteksi, Hama Kolam

Abstract

Sistem deteksi yang dibangun bertujuan untuk mendeteksi hama pada kolam budidaya ikan. Kolam ikan adalah sumber pendapatan dengan mengelola kolam sebagai wadah atau tempat budidaya ikan konsumsi maupun ikan hias. Akan tetapi pada budidaya kolam ikan mempunyai berbagai permasalahan, salah satunya hama pada kolam ikan terutama hama predator ikan budidaya. hal ini di tunjukan dari banyaknya keluhan dari pembudidaya ikan kususnya pada budidaya ikan air tawar. Berdasarkan permasalahan tersebut peneliti bertujuan untuk merancang sebuah sistem deteksi hama pada kolam budidaya ikan berbasis suara dan video. Berdasarkan hasil pengujian hama, akurasi tingkat kemiripan dengan hama adalah diatas 55%.

References

[1] L. Arsy, O. D. Nurhayati, and K. T. Martono, “Aplikasi Pengolahan Citra Digital Meat Detection Dengan Metode Segmentasi K-Mean Clustering Berbasis OpenCV Dan Eclipse,” J. Teknol. dan Sist. Komput., vol. 4, no. 2, p. 322, 2016, doi: 10.14710/jtsiskom.4.2.2016.322-332.
[2] M. R. Kumaseh, L. Latumakulita, and N. Nainggolan, “Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding,” J. Ilm. Sains, vol. 13, no. 1, p. 74, 2013, doi: 10.35799/jis.13.1.2013.2057.
[3] P. K. W.P, “Implementasi Fast fourier transform dan Devide and Conquer Untuk Pengenalan Huruf Hijaiyah,” 2015.
[4] G. Varoquaux, L. Buitinck, G. Louppe, O. Grisel, F. Pedregosa, and A. Mueller, “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res., vol. 19, no. 1, pp. 29–33, 2015, doi: 10.1145/2786984.2786995.
[5] M. Lutz and O. Reilly, “Programming python,” Comput. Math. with Appl., vol. 33, no. 5, p. 132, 1997, doi: 10.1016/s0898-1221(97)82952-5.
[6] P. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, “Python for Scientific Computing Python Overview,” Comput. Sci. Eng., pp. 10–20, 2007.
[7] A. Santoso and G. Ariyanto, “Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah,” J. Emit., vol. 18, no. 01, pp. 15–21.
[8] S. C. B. Lo, S. L. A. Lou, M. V. Chien, and S. K. Mun, “Artificial Convolution Neural Network Techniques and Applications for Lung Nodule Detection,” IEEE Trans. Med. Imaging, vol. 14, no. 4, pp. 711–718, 1995, doi: 10.1109/42.476112.
[9] S. C. B. Lo, H. P. Chan, J. S. Lin, H. Li, M. T. Freedman, and S. K. Mun, “Artificial convolution neural network for medical image pattern recognition,” Neural Networks, vol. 8, no. 7–8, pp. 1201–1214, 1995, doi: 10.1016/0893-6080(95)00061-5.
[10] W. Huang, Y. Qiao, and X. Tang, “Robust scene text detection with convolution neural network induced MSER trees,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 8692 LNCS, no. PART 4, pp. 497–511, 2014, doi: 10.1007/978-3-319-10593-2_33.
[11] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020.
[12] S. Ma, X. Zhang, C. Jia, Z. Zhao, S. Wang, and S. Wang, “Image and Video Compression with Neural Networks: A Review,” IEEE Trans. Circuits Syst. Video Technol., vol. 30, no. 6, pp. 1683–1698, 2020, doi: 10.1109/TCSVT.2019.2910119.
[13] H.-J. Yoo, “Deep Convolution Neural Networks in Computer Vision: a Review,” IEIE Trans. Smart Process. Comput., vol. 4, no. 1, pp. 35–43, 2015, doi: 10.5573/ieiespc.2015.4.1.035.
Published
2020-09-30
Section
Articles