IMPLEMENTASI ALGORITMA YOLO PADA SISTEM KLASIFIKASI KESEGARAN IKAN NILA = Implementation of the YOLO Algorithm in the Tilapia Freshness Classification System

Ikan merupakan hewan kelompok vertebrata yang harus segera diolah setelah diperoleh dari laut karena kualitasnya akan menurun jika tidak mendapat penanganan ataupun pengolahan khusus. Salah satu cara untuk memeriksa kesegaran dari suatu ikan adalah melihat kondisi mata serta insang ikan tersebut. Ikan yang masih segar memiliki kornea yang masih jernih serta insang yang masih cerah sedangkan ikan yang sudah tidak segar memiliki kornea yang keruh serta insang yang berwarna kecoklatan.Memeriksa kesegaran ikan dengan cara ini tidak menutup kemungkinan terjadinya kesalahan disebabkan manusia yang juga rentan dari kelelahan fisik. Kegiatan pemeriksaan ini termasuk kegiatan yang repetitif dan terdapat peluang adanya human error saat melakukan pemeriksaan tersebut, baik karena kelelahan ataupun kurang fokus. Agar kesalahan dalam pemeriksaan kesegaran ikan dapat dihindari, dibutuhkan alat ataupun teknologi sebagai alternatif yang dapat membantu mendeteksi kesegaran ikan. Penelitian ini bertujuan untuk menganalisis performa algoritma YOLOv8 dalam mengklasifikasikan tingkat kesegaran ikan nila, baik ketika ikan diletakkan di atas konveyor maupun tidak. Data yang digunakan pada penelitian ini berjumlah 3094 data yang terbagi sebanyak 2 kelas. Data tersebut kemudian diaugmentasi dengan menggunakan parameter flip, rotation, saturation, brightness, exposure, blur hingga menjadi 7446 data. Data tersebut kemudian dibagi menjadi 6528 data training, 406 data validasi, dan 512 data testing. Selanjutnya, ukuran data akan di-resize menjadi 600x600 piksel agar dapat digunakan untuk training model. Model dilatih menggunakan algoritma YOLOv8 sebanyak 2 kali, yaitu hingga 20 epoch dan 40 epoch. Kedua Model tersebut akan dievaluasi menggunakan metrik precision, recall, accuracy, f1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model yang di training hingga epoch 40 menghasilkan akurasi tertinggi pada saat klasifikasi yaitu 75% pada data training dan 80% pada data testing.