MODEL KLASIFIKASI KESEGARAN IKAN BERBASIS CITRA DIGITAL MELALUI PERBANDINGAN RESNET50 DAN MOBILENETV2

Penentuan kesegaran ikan secara konvensional melalui inspeksi visual memiliki kelemahan berupa tingkat subjektivitas yang tinggi. Penelitian ini bertujuan melakukan analisis komparatif antara arsitektur ResNet50 dan MobileNetV2 menggunakan pendekatan Transfer Learning untuk klasifikasi biner kesegaran ikan. Model dievaluasi menggunakan 523 citra validasi internal serta diuji ketangguhannya terhadap pergeseran domain (domain shift) menggunakan 128 citra primer uji eksternal berupa mata Ikan Bandeng (Chanos chanos) dari pasar tradisional. Hasil pengujian menunjukkan ResNet50 lebih unggul pada validasi internal dengan akurasi 85,66 persen dibandingkan MobileNetV2 (80,50 persen). Pada pengujian lintas domain, ResNet50 mempertahankan ketangguhannya dengan akurasi 88,28 persen dan presisi 96,23 persen, sementara akurasi MobileNetV2 terdegradasi menjadi 79,69 persen akibat rentan terhadap fluktuasi noise lingkungan nyata. Meskipun demikian, penelitian ini memiliki beberapa keterbatasan, di antaranya ekstraksi Region of Interest (ROI) yang masih dipotong secara manual, ukuran dataset primer uji eksternal yang relatif terbatas, serta ketiadaan pengujian signifikansi secara statistik terkait perbedaan performa di antara kedua model. Sebagai novelty, penelitian ini secara eksplisit membuktikan bahwa tingginya kapasitas parameter pada model berat seperti ResNet50 merupakan trade-off yang krusial dan lebih direkomendasikan dibandingkan model ringan untuk mengatasi pergeseran domain di dunia nyata guna menekan rasio False Negative pada deteksi keamanan pangan komoditas lokal.