Klasifikasi Spesies Ikan Koi Berdasarkan Citra Menggunakan Metode YOLOv3-Tiny Dan OpenCV
DOI:
https://doi.org/10.51179/ilka.v3i1.52Kata Kunci:
Ikan Koi, Deteksi Objek, YOLOv3-Tiny, Deep Learning, Computer VisionAbstrak
Identifikasi varietas ikan koi (Cyprinus carpio) dalam industri budidaya dan perdagangan ikan hias umumnya masih dilakukan secara manual berdasarkan pengamatan visual, sehingga rentan terhadap subjektivitas, inkonsistensi, dan kurang efisien pada skala besar. Penelitian ini bertujuan mengembangkan sistem deteksi dan klasifikasi varietas ikan koi berbasis pengolahan citra menggunakan algoritma YOLOv3-Tiny dan OpenCV yang mampu bekerja secara real-time. Dataset yang digunakan terdiri dari 3.154 citra enam varietas koi, yaitu Asagi, Bekko, Hikarimono, Kohaku, Sanke, dan Showa, yang kemudian ditingkatkan menjadi 6.360 citra melalui proses augmentasi data. Pelabelan dilakukan menggunakan Roboflow dan pelatihan model menggunakan framework Darknet pada lingkungan Google Colab dengan dukungan GPU. Evaluasi kinerja sistem dilakukan menggunakan metrik mean Average Precision (mAP), analisis loss function, serta pengujian pada citra statis dan video real-time. Hasil penelitian menunjukkan bahwa model YOLOv3-Tiny mampu mendeteksi dan mengklasifikasikan varietas ikan koi dengan akurasi yang baik serta kecepatan inferensi yang stabil untuk aplikasi real-time. Sistem yang dikembangkan dapat meningkatkan objektivitas, konsistensi, dan efisiensi dalam proses identifikasi varietas koi, serta berpotensi diterapkan dalam mendukung industri budidaya dan perdagangan ikan hias berbasis teknologi kecerdasan buatan.
Unduhan
Referensi
[1] G. M. Aqshal and D. D. Hutagalung, “Klasifikasi Jenis Ikan Koi Menggunakan Ekstraksi Warna HSV dan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS),” Jurnal ICT : Information Communication & Technology, vol. 23, no. 2, pp. 1–8, 2023, doi: 10.36054/jict-ikmi.v23i2.172.
[2] I. R. Muslem and T. M. Johan, “KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Citra Ikan Menggunakan Algoritma Convolutional Neural Network dengan Arsitektur VGG-16,” Media Online), vol. 4, no. 2, pp. 978–985, 2023, doi: 10.30865/klik.v4i2.1209.
[3] I. A. Iswanto and S. H. Almukhlish, “Automatic Koi Grading System using Image Processing and Support Vector Machine,” in 2020 International Conference on Computer Engineering, Network, and Intelligent Multimedia (CENIM), 2020, pp. 107–111. doi: 10.1109/CENIM51130.2020.9297943.
[4] KKP, “KKP Ajak Para Breeder Hasilkan Ikan Koi Kualitas Ekspor. Website:” [Online]. Available: https://ppid.kkp.go.id/upp/direktorat-jenderal-perikanan-budi-daya/news/detail/kkp-ajak-para-breeder-hasilkan-ikan-koi-kualitas-ekspor/
[5] BPS, “Statistik Ekspor Ikan Hias Indonesia. Website:,” Jakarta, 2025.
[6] A. L. Syafei, A. Sajiah, and T. W. Purboyo, “Koi Fish Detection and Classification System using YOLO Algorithm,” International Journal of Applied Engineering Research, vol. 17, no. 1, pp. 55–61, 2022.
[7] J. Zhao, S. Zhang, J. Liu, and H. Wang, “Application of Deep Learning in Fish Classification and Breeding: A Review,” Aquaculture, vol. 535, p. 736356, 2021, doi: 10.1016/j.aquaculture.2021.736356.
[8] D. Armiady and I. M. R, “Klasifikasi Kualitas Buah Pisang Berdasarkan Citra Buah Menggunakan Stochastic Gradient Descent,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, 2023.
[9] C. H. H. Jannah, I. Muslem, and D. Azmi, “Jurnal Ilmu Komputer Aceh Klasifikasi Plat Nomor Kenderaan Bedasarkan Wilayah Tertentu Menggunakan Algoritma Optical Character Recognition,” Jurnal Ilmu Komputer Aceh, Oct. 2025, [Online]. Available: https://jurnal.fikompublisher.com/ilka/article/view/16
[10] I. Muslem, I. Irvanizam, A. Almuzammil, and F. Johar, “Adaptive Heuristic-Based Ant Colony Optimization for Multi-Constraint University Course Timetabling with Morning Slot Preference for Energy Efficiency,” Jurnal Teknik Informatika (Jutif), vol. 6, no. 6, pp. 5930–5943, Jan. 2026, doi: 10.52436/1.jutif.2025.6.6.5588.
[11] X. Yang, S. Zhang, J. Liu, Q. Gao, S. Dong, and C. Zhou, “Deep learning for smart fish farming: applications, opportunities and challenges,” Reviews in Aquaculture, vol. 13, no. 1, pp. 66–90, 2021, doi: 10.1111/raq.12462.
[12] I. V. S. L. Haritha, M. Harshini, S. Patil, and J. Philip, “Real Time Object Detection using YOLO Algorithm,” in 2022 6th International Conference on Electronics, Communication and Aerospace Technology, 2022, pp. 1465–1468. doi: 10.1109/ICECA55336.2022.10009184.
[13] Z. Jiang, L. Zhao, S. Li, and Y. Jia, “Real-time object detection method based on improved YOLOv3-tiny,” IEEE Access, vol. 8, pp. 184535–184545, 2020, doi: 10.1109/ACCESS.2020.3030217.
[14] K. M. Knausgård, N. Wiker, and T. Andersen, “Temperate Fish Detection and Classification: a Deep Learning based Approach,” Applied Intelligence, vol. 52, pp. 6988–7001, 2022, doi: 10.1007/s10489-020-02154-9.
[15] L. Luthfi, R. I. Muslem, D. Armiady, S. Sriwinar, R. Fajri, and I. Iqbal, “Analysis of CNN Method for Image Classification of Coconut Ripeness Levels,” in 2023 Eighth International Conference on Informatics and Computing (ICIC), 2023, pp. 1–6. doi: 10.1109/ICIC60109.2023.10381964.
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2026 Jurnal Ilmu Komputer Aceh
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini adalah jurnal akses terbuka yang menyediakan akses langsung secara nasional, bebas hambatan ke teks lengkap dari semua artikel yang diterbitkan tanpa biaya pembaca atau institusi mereka untuk mengaksesnya. Pembaca berhak membaca, mengunduh, menyalin, mendistribusikan, mencetak, mencari, atau menautkan teks lengkap semua artikel di Jurnal ILKA. Jurnal ini memberikan akses terbuka langsung ke kontennya dengan prinsip bahwa membuat penelitian tersedia secara bebas untuk publik mendukung pertukaran pengetahuan global yang lebih besar.
