Perbandingan Arsitektur ResNet18 dan ConvNeXt-Tiny untuk Klasifikasi Jenis Ikan Berbasis Transfer Learning

Abstract

Identifikasi jenis ikan merupakan proses penting dalam sektor perikanan, namun metode konvensional yang mengandalkan pengamatan visual masih memiliki keterbatasan dalam hal efisiensi dan akurasi. Penelitian ini bertujuan untuk mengklasifikasikan jenis ikan menggunakan metode Convolutional Neural Network (CNN) berbasis transfer learning dengan membandingkan arsitektur ResNet18 dan ConvNeXt-Tiny. Dataset yang digunakan adalah Fish Dataset dari Kaggle yang terdiri dari 13.304 citra ikan. Tahap preprocessing meliputi resize citra menjadi 224×224 piksel, normalisasi, transformasi tensor, dan augmentasi data. Proses pelatihan dilakukan menggunakan optimizer Adam dan fungsi loss CrossEntropyLoss dengan variasi epoch 10 hingga 100. Hasil menunjukkan bahwa kedua model mengalami peningkatan akurasi seiring bertambahnya jumlah epoch. ResNet18 menunjukkan kemampuan adaptasi yang lebih cepat pada tahap awal pelatihan, sedangkan ConvNeXt-Tiny memberikan performa yang lebih baik pada tahap akhir. Accuracy tertinggi diperoleh ConvNeXt-Tiny sebesar 96,93%, lebih tinggi dibandingkan ResNet18 sebesar 94,26%. Selain itu, ConvNeXt-Tiny menunjukkan peningkatan performa yang lebih konsisten seiring bertambahnya epoch pelatihan. Hasil menunjukkan bahwa transfer learning efektif diterapkan pada klasifikasi jenis ikan dan ConvNeXt-Tiny memiliki kemampuan yang lebih baik dalam merepresentasikan fitur visual citra ikan.   Kata Kunci - Klasifikasi Jenis Ikan, CNN, Transfer Learning, ResNet18, ConvNeXt-Tiny.