%0 Thesis
%9 S2 - Magister
%A Purwanto, Trio Agung
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2026
%F universitasamikomyogyakarta:31787
%I Universitas AMIKOM Yogyakarta
%K Kesegaran ikan, citra mata, EfficientNet-B0, optimasi  hiperparameter, Optuna, fish freshness, eye images, ross-species generalization.
%T KLASIFIKASI KESEGARAN IKAN BERDASARKAN CITRA  MATA MENGGUNAKAN EFFICIENTNET-B0 DENGAN  OPTIMASI HYPERPARAMETER OPTUNA
%U https://eprints.amikom.ac.id/id/eprint/31787/
%X Penilaian kesegaran ikan merupakan aspek penting dalam menjaga mutu   dan keamanan produk perikanan, namun metode konvensional berbasis  pengamatan visual manusia masih bersifat subjektif dan tidak konsisten. Penelitian  ini bertujuan untuk mengklasifikasikan tingkat kesegaran ikan berdasarkan citra  mata menggunakan model deep learning EfficientNet-B0 dengan optimasi  hiperparameter Optuna, dengan fokus pada stabilitas pelatihan dan kemampuan  generalisasi lintas spesies. Dataset yang digunakan adalah The Freshness of the Fish  Eyes yang terdiri dari citra mata ikan dari 8 spesies dengan 3 tingkat kesegaran,  sehingga membentuk 24 kelas klasifikasi. Penelitian ini tidak menerapkan.  Optimasi hiperparameter dilakukan menggunakan Optuna berbasis algoritma Treestructured  Parzen  Estimator  (TPE).  Hasil  eksperimen  menunjukkan  bahwa  model    mencapai    akurasi pengujian sebesar 79,87%, dengan akurasi data latih sebesar  83,61% dan akurasi data validasi sebesar 81,17%, sehingga diperoleh  generalization gap sebesar 2,45%. Evaluasi generalisasi lintas spesies dilakukan  menggunakan skema leave-source-out (LSO) pada 8 skenario pengujian, yang  menunjukkan bahwa model mampu mempertahankan performa klasifikasi pada  spesies yang tidak dilibatkan dalam proses pelatihan. Selain itu, pelatihan ulang  model terbaik sebanyak 5 kali menunjukkan performa yang konsisten, yang  mengindikasikan stabilitas pembelajaran yang baik. Penelitian ini menyimpulkan  bahwa EfficientNet-B0 yang dioptimasi menggunakan Optuna mampu  memberikan klasifikasi kesegaran ikan yang stabil dan konsisten pada dataset  multi-spesies tanpa penerapan augmentasi data, serta memiliki kemampuan  generalisasi intrinsik terhadap distribusi asli dataset.