Pengembangan Aplikasi Mobile Untuk Prediksi Pertumbuhan Ikan Air Tawar dan Klasifikasi Kualitas Air Kolam Berbasis Convolutional Neural Network

Authors

  • Fahru Zidan Al Mustafa Universitas Pamulang
  • Agus Heri Yunial Universitas Pamulang

DOI:

https://doi.org/10.69693/jesa.v4i1.146

Keywords:

Aplikasi Mobile, Convolutional Neural Network, Ikan Air Tawar, Kualitas Air Kolam, Prediksi Pertumbuhan

Abstract

Kemajuan teknologi Artificial Intelligence (AI) memberikan peluang untuk meningkatkan efektivitas pemantauan pada budidaya ikan air tawar. Permasalahan yang dihadapi dalam budidaya adalah pemantauan pertumbuhan ikan dan kualitas air kolam yang masih dapat dilakukan secara manual, sehingga membutuhkan waktu, ketelitian, dan berpotensi menghasilkan penilaian yang kurang konsisten. Penelitian ini dilakukan dengan tujuan mengembangkan aplikasi mobile berbasis Android guna membantu pengguna memprediksi pertumbuhan ikan dan mengklasifikasikan kualitas air kolam dengan menerapkan Multilayer Perceptron (MLP) dan Convolutional Neural Network (CNN). Model MLP digunakan untuk memprediksi berat ikan berdasarkan parameter panjang, tinggi, lebar, dan jenis ikan, sedangkan CNN digunakan untuk mengklasifikasikan citra air kolam ke dalam kategori jernih, keruh, berlumut, dan berbahaya. Pengukuran kinerja model MLP dilakukan menggunakan Mean Squared Error (MSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²), sedangkan kinerja model CNN diukur menggunakan training accuracy dan validation accuracy. Berdasarkan hasil pengujian, model MLP menunjukkan performa dengan nilai R² sebesar 0,91, MSE sebesar 0,3359, dan MAE sebesar 0,4842. Model CNN memperoleh training accuracy sebesar 99,12% dan validation accuracy sebesar 98,44%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kinerja kedua model tergolong baik dalam menjalankan fungsi prediksi dan klasifikasi. Implementasi model ke dalam aplikasi menghasilkan sistem yang dapat membantu pengguna melakukan pemantauan pertumbuhan ikan dan kondisi kualitas air secara lebih cepat, praktis, dan efektif, serta mendukung proses pengambilan keputusan dalam kegiatan budidaya. Dengan demikian, penelitian ini mendukung pemanfaatan AI dalam pengelolaan budidaya ikan secara terukur dan efisien.

Downloads

Download data is not yet available.

References

[1] N. Putu, I. Pasca, and J. Sutopo, “Analisa performa convolution neural network dalam pengenalan tulisan tangan aksara lontara,” vol. 8, pp. 12–21, 2025.

[2] M. S. Anwar, U. Latifa, and M. Juusan, “Perancangan aplikasi monitoring kualitas air pada budidaya ikan nila berbasis IoT menggunakan Android,” vol. 11, no. 2, pp. 175–183, 2022.

[3] S. D. Asri, “Perbaikan kualitas dan kinerja klasifikasi citra bawah air dengan metode CLAHE-CNN,” JSAI: J. Sci. Appl. Informatics, vol. 7, no. 1, pp. 182–188, 2024.

[4] F. A. Zahra and N. Firmansyah, “Klasifikasi citra jenis ikan air tawar dan air laut menggunakan algoritma CNN (convolutional neural network),” pp. 495–502, 2023.

[5] M. Giri, W. Ngulandoro, S. R. Akbar, and B. Henryranu, “Analisis performa TensorFlow Lite untuk IoT dengan ESP32 DEVKIT-C (studi kasus: pengenalan gambar sampah di sungai),” vol. 7, no. 7, pp. 3342–3347, 2023.

[6] M. Farhan, F. Rahman, K. Darussalam, R. C. Saphira, and F. Purwani, “Implementasi extreme programming dalam pengembangan aplikasi mobile pengenalan organisasi pada masa orientasi mahasiswa,” vol. 14, no. 2, pp. 128–132, 2024.

[7] S. W. Ramdany, S. A. Kaidar, B. Aguchino, C. Amelia, and A. Putri, “Penerapan UML class diagram dalam perancangan sistem informasi perpustakaan berbasis web,” vol. 5, no. 1.

[8] M. F. Rozi, H. Siregar, and Y. A. Hambali, “Rancang bangun sistem manajamen akademik mahasiswa berbasis mobile multiplatform menggunakan Flutter,” vol. 4, no. 2, pp. 459–468, 2025.

[9] A. Sultansyah, A. S. Rahayu, I. Yudiana, P. Fauzi, and E. N. Aripin, “Pengujian black box testing pada fitur permohonan informasi publik melalui website Pemerintah Jawa Barat,” vol. 3, no. 4, pp. 5912–5919, 2025.

[10] D. Bernadisman and R. Lesdiansyah, “Aplikasi text to speech berbasis Android,” pp. 62–72, 2023.

[11] R. A. Fahri, K. F. Mauladi, and M. H. Wahyudi, “Implementasi machine learning untuk identifikasi jamur pada aplikasi Android menggunakan algoritma convolutional neural network,” vol. 5, no. 8, pp. 2377–2386, 2025.

[12] FAO, “The state of world fisheries and aquaculture,” 2020.

[13] J. Justam, A. Malik, E. Erlita, D. Mangellak, and Y. Yuyun, “Perbandingan kinerja YOLO vs Faster R-CNN untuk deteksi & estimasi berat ikan,” J. Ilm. Sist. Inf. Tek. Inform. (JISTI), vol. 7, no. 2, pp. 363–376, 2024, doi: 10.57093/jisti.v7i2.273.

[14] C. T. Pratala, E. M. Asyer, I. Prayudi, and A. Saifudin, “Pengujian white box pada aplikasi cash flow berbasis Android menggunakan teknik basis path,” vol. 5, no. 2, pp. 111–119, 2020.

[15] D. A. Rafa, E. D. Wahyuni, and A. A. Arifiyanti, “Rancang bangun aplikasi donor darah darurat Donora berbasis Android dengan,” vol. 12, no. 3, pp. 3009–3020, 2024.

[16] S. S. Rambe, “Penerapan model convolutional neural network (CNN) berbasis MobileNetV2 untuk,” vol. 13, no. 3.

[17] “Optimasi dan integrasi convolutional neural network pada aplikasi Android untuk deteksi penyakit daun padi,” vol. 9, pp. 251–261, 2024.

[18] C. U. Wiranda, “Pengembangan aplikasi mobile Android untuk deteksi otomatis mata katarak menggunakan CNN dan TensorFlow,” vol. 2, no. 3, pp. 128–140, 2024.

[19] A. A. Zikra, M. R. Kuntara, and K. Sari, “Perancangan sistem pelaporan masyarakat untuk fasilitas pelayanan publik di Kota Palu berbasis Android dengan metode Waterfall,” vol. 7, no. 7, pp. 2523–2532, 2024.

Downloads

Published

21-11-2026

How to Cite

Mustafa, F. Z. A., & Yunial, A. H. (2026). Pengembangan Aplikasi Mobile Untuk Prediksi Pertumbuhan Ikan Air Tawar dan Klasifikasi Kualitas Air Kolam Berbasis Convolutional Neural Network . Journal of Engineering and Science Application, 4(1), 112–118. https://doi.org/10.69693/jesa.v4i1.146