Perbandingan Performa Akurasi, Kecepatan dan Beban Komputasi antara Metode SSD MobileNet V2 dan EfficientDet-Lite3 pada Alat Penghitung Benih Ikan

Abstract

Penelitian ini berfokus pada perbandingan tingkat akurasi, kecepatan dan Beban Komputasi antara dua metode deteksi objek berbasis deep learning, yaitu SSD MobileNet V2 dan EfficientDet-Lite3, beban komputasi ini yaitu beban CPU atau GPU dan suhu, pada penelitian sebelumnya yang menggunakan metode SSD MobileDet dalam menghitung jumlah benih ikan secara otomatis. Objek yang diamati adalah benih ikan nila (Oreochromis niloticus) Penggunaan kecerdasan buatan bertujuan untuk meningkatkan efisiensi dan akurasi proses penghitungan, sekaligus mengurangi potensi kesalahan manusia. Penelitian ini mengusulkan optimasi algoritma pengolahan citra dan pemanfaatan teknik deep learning guna mempercepat serta meningkatkan akurasi proses deteksi. Dalam konteks penelitian ini, istilah akurasi deteksi tidak mengacu pada akurasi klasifikasi biasa, melainkan pada mean Average Precision (mAP) sebagai metrik utama. Hal ini dikarenakan mAP lebih sesuai dalam menilai performa model deteksi objek secara menyeluruh, karena mempertimbangkan aspek lokalisasi (IoU) dan presisi klasifikasi secara bersamaan. Hasil penelitian diharapkan mampu menunjukkan perbandingan tingkat kecepatan, akurasi dan Performa komputasi antara metode SSD MobileNet V2 dan EfficientDet-Lite3 terhadap SSD MobileDet untuk menghitung benih ikan. Penelitian ini menunjukkan bahwa sistem deteksi otomatis berbasis deep learning dapat menjadi solusi efektif dalam industri akuakultur untuk meningkatkan produktivitas dan efisiensi operasional.