Indonesia merupakan negara yang memiliki keanekaragaman hayati laut dan hutan hujan tropis terkaya di dunia. Salah satu bentuk kekayaan sumber daya alam Indonesia adalah Ikan laut. Ikan laut merupakan mahluk hidup yang menguasai 70% wilayah negara Indonesia. Ikan laut juga merupakan sumber daya alam yang dapat diperbarui, hal tersebut perlu diidentifikasi dengan menggunakan teknologi image processing dan computer vision. Sehingga data kekayaan laut dipelajari di- masa depan.
Sebuah langkah kecil perlu dilakukan adalah melakukan klasifikasi dan deteksi ikan laut tersebut. Klasifikasi ini dapat dilakukan dengan video bawah laut dan berasarkan family ikan. Pengelompokan ini dapat dimulai pada sekala kecil seperti klasifikasi dan deteksi dari kelas Serranedae, Chaetodontidae, Holocentridae, Scor- panidae dan background. Hal ini bertujuan untuk mengetahui dan mendeteksi jenis ikan yang terdapat dalam satu spot penyelaman dimasa depan.
Faster Region Convolutional Neural Network, sebuah metode yang meng- gabungkan antara Fast Region Convolutional Neural Network (R-CNN) dengan Region Proposal Network (RPN). Dari banyak arsitektur deep learning. Arsitek- tur yang digunakan adalah VGG-16 dan AlexNet. Arsitektur tersebut merupakan arsitektur yang telah terbukti dapat untuk melakukan deteksi dan klasifikasi ikan laut dengan mAP 89,94% dengan menggunakan Full training VGG-16 dalam cus- tomization mini batch size 32 dan epoch ke-50.
Penelitian ini juga bertujuan mencari customization terbaik dari filter, epoch, mini batch, full training dan transfer learning untuk keperluan pendidikan, identi- fikasi dan deteksi family ikan. Pengujian dari customization akan diuji berdasarkan paramter peformasi seperti: mAP, AP, frame rate dan kompleksitas komputasi.
Kata Kunci: Ikan laut, Faster Region Convolutional Neural Network (R-CNN), Klasifikasi, Fish Tracking