AKBAR AL FARISI RAMBE and AHMAD HEIDY NATAPRAJA HUTAGALUNG and SYARAFAT SYAZWAN (2025) PENERAPAN ALGORITMA FASTER R-CNN UNTUK DETEKSI DAN KLASIFIKASI PENYAKIT WHITE SPOT SYNDROME VIRUS (WSSV) PADA UDANG VANAME. Undergraduate (S-1) thesis, Universitas Mikroskil.
![[thumbnail of BAGIAN AWAL.pdf]](https://repository.mikroskil.ac.id/style/images/fileicons/text.png)
BAGIAN AWAL.pdf
Download (8MB)
![[thumbnail of BAB I.pdf]](https://repository.mikroskil.ac.id/style/images/fileicons/text.png)
BAB I.pdf
Download (1MB)
![[thumbnail of BAB II.pdf]](https://repository.mikroskil.ac.id/style/images/fileicons/text.png)
BAB II.pdf
Download (14MB)
![[thumbnail of BAB III.pdf]](https://repository.mikroskil.ac.id/style/images/fileicons/text.png)
BAB III.pdf
Restricted to Registered users only
Download (15MB)
![[thumbnail of BAGIAN AKHIR.pdf]](https://repository.mikroskil.ac.id/style/images/fileicons/text.png)
BAGIAN AKHIR.pdf
Download (2MB)
Abstract
White Spot Syndrome Virus (WSSV) merupakan salah satu penyakit paling mematikan pada udang vaname yang menyebabkan kerugian besar dalam industri budidaya perikanan. Deteksi dini penyakit ini penting dilakukan, namun metode konvensional belum mampu mendeteksi dan mengklasifikasikan kondisi kesehatan beberapa objek udang dalam satu gambar dan belum mampu menunjukkan secara spesifik letak infeksi penyakit WSSV pada udang vaname. Penelitian ini bertujuan membangun sistem untuk mendeteksi dan mengklasifikasikan penyakit WSSV pada gambar yang berisi beberapa objek udang, serta menguji performa Faster R-CNN dalam mengidentifikasi area spesifik penyakit WSSV pada udang vaname. Dataset yang digunakan diperoleh dari repositori publik dengan total 1.133 gambar, yang kemudian diproses melalui tahapan preprocessing seperti resize, augmentasi data, dan normalisasi. Model dilatih menggunakan arsitektur Faster R-CNN berbasis ResNet-50 dan dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model mampu mendeteksi letak infeksi dan mengklasifikasikan kondisi udang dengan akurasi testing per gambar hingga 91% sedangkan pada pengujian per area model memperoleh akurasi sebesar 73%. Hasil ini membuktikan bahwa penerapan Faster R-CNN efektif sebagai solusi deteksi otomatis penyakit WSSV pada udang, yang dapat membantu petambak dalam pengambilan keputusan lebih cepat dan akurat.
Item Type: | Tugas Akhir / Tesis (Undergraduate (S-1)) |
---|---|
Subjects: | Teknik Informatika |
Divisions: | Fakultas Informatika > Program Studi S-1 Teknik Informatika |
Depositing User: | Adi Kurniawan |
Date Deposited: | 19 Aug 2025 11:40 |
Last Modified: | 19 Aug 2025 11:40 |
URI: | https://repository.mikroskil.ac.id/id/eprint/4134 |