Implementasi Arsitektur MobileNet dan ResNet pada Sistem Conveyor Otomatis untuk Identifikasi Jenis Sirip Punggung Hiu

Tingginya volume perdagangan sirip hiu di Indonesia menuntut proses identifikasi spesies yang cepat dan akurat. Metode verifikasi saat ini, seperti pengamatan visual yang subjektif serta uji DNA yang mahal dan memakan waktu, dinilai belum efisien. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem identifikasi otomatis pada konveyor berbasis deep learning. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan membandingkan arsitektur MobileNet dan ResNet50 untuk mengklasifikasikan 3.162 citra sirip punggung kering dari tiga spesies: Carcharhinus sorrah, Carcharhinus tjutjot, dan Carcharhinus limbatus. Hasil penelitian menunjukkan bahwa arsitektur MobileNet dengan optimizer Adam dan learning rate 0.001 mencapai performa terbaik, dengan akurasi 98,42% dan F1-Score 0.984. Saat diimplementasikan pada Raspberry Pi 5, model MobileNet terbukti unggul secara efisiensi, dengan waktu inferensi hanya 0,051 detik, konsumsi memori lebih rendah, dan temperatur operasional yang lebih stabil dibandingkan ResNet50. Dengan demikian, MobileNet menjadi solusi yang efektif dan andal untuk identifikasi spesies sirip hiu secara pada perangkat dengan sumber daya komputasi terbatas.