This study implements the YOLOv11 algorithm to detect five types of ornamental guppy fish through an Android-based application. The research background arises from the difficulty of manually distinguishing guppy varieties due to their complex color variations and patterns. The methodology includes dataset collection, labeling using Roboflow, image preprocessing and augmentation, training the YOLOv11n model, conversion to TensorFlow Lite, as well as real-time implementation and testing within the application.The training results demonstrate strong performance, achieving a Precision of 85.90%, Recall of 90.70%, mAP50 of 90.60%, mAP50–95 of 66.40%, and an F1-Score of 88.3%. Indirect testing on 250 test images produced per-class accuracy ranging from 94% to 98%. Direct real-time testing indicates that distance and fish orientation significantly influence confidence scores: at 10 cm the confidence reached 76.6% (straight) and 71.6% (turned), at 15 cm it reached 83% (straight) and 75.4% (turned), and at 20 cm it reached 72.8% (straight) and 47.4% (turned). The optimal performance was obtained at a distance of 15 cm. The application is capable of detecting objects within 1–3 seconds, making it suitable for real-time guppy identification. This study can be further improved by expanding the dataset, optimizing the model, and adding additional application features.
Penelitian ini mengimplementasikan algoritma YOLOv11 untuk mendeteksi lima jenis ikan hias guppy melalui aplikasi Android. Latar belakang penelitian muncul dari kesulitan membedakan jenis guppy secara manual akibat variasi warna dan pola yang kompleks. Metodologi meliputi pengumpulan dataset, pelabelan menggunakan Roboflow, preprocessing dan augmentasi citra, pelatihan model YOLOv11n, konversi ke TensorFlow Lite, serta implementasi dan pengujian aplikasi secara real-time. Hasil pelatihan menunjukkan performa tinggi dengan Precision 85.90%, Recall 90.70%, mAP50 90.60%, mAP50–95 66.40%, dan F1-Score 88.3%. Pengujian tidak langsung menggunakan 250 citra uji menghasilkan akurasi per kelas 94–98%. Pengujian langsung menunjukkan bahwa jarak dan posisi ikan memengaruhi nilai confidence score, yaitu pada jarak 10 cm sebesar 76.6% (lurus) dan 71.6% (berbelok), jarak 15 cm sebesar 83% (lurus) dan 75.4% (berbelok), serta jarak 20 cm sebesar 72.8% (lurus) dan 47.4% (berbelok). Performa terbaik diperoleh pada jarak 15 cm. Aplikasi mampu mendeteksi objek dalam 1–3 detik sehingga dapat digunakan sebagai alat identifikasi ikan guppy secara real-time. Penelitian ini masih dapat dikembangkan melalui peningkatan dataset, optimasi model, dan penambahan fitur aplikasi
References
[1] E. Kusrini, “Budidaya Ikan Hias Sebagai Pendukung Pembangunan Nasional Perikanan Di Indonesia,” Media Akuakultur, Vol. 5, No. 2, P. 109, Dec. 2010, Doi: 10.15578/Ma.5.2.2010.109-114.
[2] U. Bijaksana, M. Hudan Almuhasibi, And S. Qomariah, “Penerapan Budidaya Ikan Guppy (Poecilia Reticulata) Pada Pekarangan Di Kelurahan Guntung Manggis Kota Banjarbaru Kalimantan Selatan Implementation Of Guppy (Poecilia Reticulata) Fish Cultivation In Yards In Guntung Manggis Village, Banjarbaru City, South Kalimantan,” 2023. [Online]. Available: Https://Piskariasjurnal.Ub.Ac.Id/
[3] M. Nasution And J. B. Tekniknologi Informasi Dan Komputer Politeknik Negeri Lhokseumawe Jln, “Jaise : Journal Of Artificial Intelligence And Software Engineering Pengenalan Jenis Ikan Cupang Menggunakan Metode Yolo.” [Online]. Available: Http://Djoglofish.Blogspot.Com/2017/02/Galeri-
[4] F. Hadi Kusuma, A. Ubaidillah Ms, A. Fiqhi Ibadillah, V. N. Vivin Nahari, K. Joni, And A. Kurniawan Saputro, “Sistem Identifikasi Kesegaran Dan Jenis Ikan Dengan Metode K-Nearest Neighbor Berdasarkan Citra Mata Dan Bentuk Ikan,” Jurnal Fortech, Vol. 4, No. 1, Mar. 2023, Doi: 10.56795/Fortech.V4i1.383.
[5] C. R. Gunawan, N. Nurdin, And F. Fajriana, “Deteksi Ikan Segar Secara Realtime Dengan Yolov4 Menggunakan Metode Convolutional Neural Network,” Jurnal Komtika (Komputasi Dan Informatika), Vol. 7, No. 1, Pp. 1–11, May 2023, Doi: 10.31603/Komtika.V7i1.8986.
[6] M. Faizhal Musthafa, N. Kurnia Hernanto, A. A. Ilmi, And A. P. Sari, “Seminar Nasional Informatika Bela Negara (Santika) Klasifikasi Ikan Gurame, Mas, Dan Pacu Menggunakan Metode Cnn”.
[7] M. Anjas, D. Akbar, A. B. Setiawan, And R. K. Niswatin, “Klasifikasi Jenis Ikan Cupang Menggunakan Metode Glcm Dan Knn.”
[8] Hargo Dwi Nugroho And Deva Rahma Nugroho, “Klasifikasi Jenis Ikan Hiu Menggunakan Algoritma Yolov8 Berbasismobile,” Prosiding Seminar Nasional Teknologi Dan Sains Tahun 2025, Vol. 4, 2025.
[9] I. D. G. A. W. Natih, M. W. A. Kesiman, And I. M. G. Sunarya, “Analisis Perbandingan Arsitektur Dan Optimizer Yolov11 Untuk Estimasi Buah Kelapa,” Riggs: Journal Of Artificial Intelligence And Digital Business, Vol. 4, No. 4, Pp. 12–19, Nov. 2025, Doi: 10.31004/Riggs.V4i4.3329.
[10] M. Kotthapalli, D. Ravipati, And R. Bhatia, “Yolov1 To Yolov11: A Comprehensive Survey Of Real-Time Object Detection Innovations And Challenges,” Aug. 2025, [Online]. Available: Http://Arxiv.Org/Abs/2508.02067