Kualitas ikan menjadi salah satu faktor penting dalam industri perikanan, terutama
dalam menjaga mutu produk hasil tangkapan. Salah satu indikator utama dari kualitas ikan
adalah tingkat kesegarannya. Saat ini, proses identifikasi kesegaran ikan umumnya masih
dilakukan secara manual, bergantung pada pengamatan visual oleh tenaga manusia, yang
cenderung bersifat subjektif, memerlukan waktu lebih lama, dan berpotensi menimbulkan
inkonsistensi dalam penilaian. Oleh karena itu, diperlukan sebuah sistem yang mampu
membantu proses identifikasi kualitas ikan secara lebih akurat, cepat, dan objektif. Masalah
utama dalam penelitian ini adalah bagaimana membangun sistem deteksi kesegaran ikan
cakalang secara otomatis menggunakan pendekatan teknologi yang tepat.
Sebagai solusi terhadap permasalahan tersebut, penelitian ini mengembangkan sebuah
sistem berbasis deep learning dan computer vision menggunakan algoritma YOLOv11 yang
diintegrasikan ke dalam aplikasi mobile berbasis Android bernama FishQ. Aplikasi ini
terhubung dengan layanan cloud untuk memungkinkan proses klasifikasi citra ikan secara realtime.
Dataset yang digunakan dibagi menjadi dua kategori, yaitu ikan beku dan tidak beku, dan
dikumpulkan dari dokumentasi lapangan, perusahaan perikanan, serta sumber daring. Proses
pelatihan model dilakukan secara terpisah untuk masing-masing kategori, dan aplikasi
dikembangkan menggunakan framework Flutter yang dirancang dengan antarmuka sederhana
dan mudah digunakan oleh pengguna lapangan.
Hasil pengujian menunjukkan bahwa model YOLOv11 yang telah dilatih menghasilkan
nilai [email protected] sebesar 0.956 untuk ikan beku dan 0.959 untuk ikan tidak beku, serta nilai
[email protected]:0.95 masing-masing sebesar 0.933 dan 0.924. Pengujian aplikasi menggunakan
metode black-box dan System Usability Scale (SUS) menunjukkan bahwa sistem memiliki
waktu inferensi kurang dari 1 detik dan memperoleh skor SUS 81,4 yang termasuk dalam
kategori "Layak Digunakan". Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem
deteksi kesegaran ikan cakalang yang dikembangkan dalam penelitian ini berhasil memenuhi
kriteria akurasi, kecepatan, dan kemudahan penggunaan, sehingga berpotensi untuk
diimplementasikan pada proses quality control di industri perikanan secara efektif.