E-Aquaponics, yang juga dikenal sebagai integrasi hidroponik dengan akuakultur yang dikontrol secara elektronik dapat dikatakan sebagai sistem produksi pangan terpadu, mampu menjadi solusi dari persoalan pangan di Indonesia. Penelitian tugas akhir ini adalah generasi ketiga dari e-Aquaponics dengan menambahkan sebuah fitur pengenalan citra ikan menggunakan metoda rectangular feature haar cascade dan Neural Network, sistem generasi ketiga ini diberi nama "e-Aquaponics: Fish Recognition". Pada sistem e-Aquaponics:Fish Recognition ini terdapat fitur pengenalan ikan berdasarkan gambar yang ditangkap dengan jarak 20 cm diatas permukaan air kolam oleh Raspi Camera yang terhubung dengan Raspberry Pi 3 B+. Pixel pada gambar di kelompokan dengan metode rectangular Haar feature cascade agar dapat diambil fitur fitur uniknya, setelah itu data fitur tersebut di pelajari oleh sistem memakai Artificial Inteligence dengan metode Artificial Neural Network atau jaringan syaraf buatan. Jaringan tersebut akan mempelajari gambar yang diberikan dan mengeluarkan pernyataan apakah dalam gambar terdapat ikan atau tidak. Data yang didapat akan disimpan dalam Database yang bisa dilihat melalui aplikasi android oleh pengguna. Dalam pengujian, sistem ini dapat menyatakan gambar ikan dengan tingkat akurasi sebesar 97.297 %, tingkat presisi sistem 100%,tingkat recall sistem 97.222% dan tingkat keyakinan hingga 71 %. Sebuah nilai memuaskan yang didapatkan hanya dengan melatih sistem mengenali ikan dengan memperlihatkan 37 gambar ikan dan 13 gambar non ikan. Pengujian dilakukan dengan menempatkan kamera 20 cm dari permukaan air dan memiliki sudut tembak tegak lurus dari permukaan air. Kata kunci: e-Aquaponics, Pengolahan Citra Ikan, Rectangular Feature Haar Cascade, Artificial Neural Network.

E-Aquaponics, which is also known as integration between hydroponic and Aquaculture that is electronically controlled can be said to be an integrated food production system, capable of being a solution for food deficiency problems in Indonesia. Hydroponics and Aquaculture systems that work synergistically are able to improve land use efficiency and maintenance while maintaining the quality of food produced. However, research and development in electronic monitoring and control department still needed and has room for development. This final project research is the third generation of e-Aquaponics by adding a fish image recognition feature using the rectangular feature haar cascade and Neural Network methods, this third generation system thus be named "e-Aquaponics: Fish Recognition". In the e-Aquaponics system: Fish Recognition, there is a fishes' recognition feature based on images captured by the system camera. The pixels in the image are grouped using the rectangular Haar feature cascade method so that the unique feature features can be taken, after that the feature data is learned by the system using Artificial Intelligence using Artificial Neural Network or artificial Neural Networks. The network will study the picture given and issue a statement whether or not the picture contains fish. In testing, this system can state images of fish with an accuracy level of 97.297%, precision level of 100%, recall level of 97.222%, and confidence level of up to 71%. A satisfying value obtained by training the system of recognizing fish only by showing 37 images of fish and 13 images of non-fish. Testing is done by placing the camera 20 cm from the surface of the water and having a shooting angle perpendicular to the surface of the water. Keywords: e-Aquaponics, FishesÂ’ Image Processing, Rectangular Feature Haar Cascade, Artificial Neural Network.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-fajrihabib-10993