KLASIFIKASI KESEGARAN IKAN BERDASARKAN CITRA MATA MENGGUNAKAN EFFICIENTNET-B0 DENGAN OPTIMASI HYPERPARAMETER OPTUNATrio AgungPurwantoauthorPenilaian 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.000 Ilmu komputer, informasi dan pekerjaan umum005 Pemrograman komputer, program dan data2026-01-05Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis