Ikan cupang merupakan salah satu jenis ikan air tawar yang berasal dari kawasan Asia Tenggara. Ikan ini dikenal memiliki bentuk tubuh yang menarik serta sifat agresif dalam mempertahankan wilayahnya. Variasi bentuk tubuh yang beragam sering kali menyulitkan proses identifikasi secara visual, terutama pembeli yang tidak memiliki keahlian khusus, seperti di daerah Kuningan. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis Android yang dapat melakukan klasifikasi jenis ikan cupang, yaitu Halfmoon, Plakat, dan Serit, secara otomatis berdasarkan citra. Metode yang digunakan adalah Convolutional Neural network (CNN) dengan memanfaatkan model pre-trained SSDMobileNetV2 FPNLite yang diimplementasikan menggunakan framework TensorFlow. Dataset penelitian terdiri dari 3.100 citra ikan cupang yang dibagi untuk proses pelatihan, validasi, dan
pengujian. Hasil pengujian menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi sebesar 98%. Secara rinci, nilai presisi dan recall yang diperoleh pada kelas Halfmoon masing-masing sebesar 0,97 dan 0,98; pada kelas
Plakat sebesar 0,99 dan 0,97; serta pada kelas Serit sebesar 0,99 dan 1,00. Hasil ini menunjukkan bahwa algoritma CNN efektif dalam melakukan klasifikasi jenis ikan cupang berdasarkan karakteristik visualnya. Dengan demikian, aplikasi ini berpotensi menjadi sarana identifikasi ikan cupang yang cepat, akurat, dan mudah digunakan, baik untuk kepentingan komersial maupun edukasi.

Betta fish (Betta splendens) are a type of freshwater fish native to Southeast Asia, known for their attractive body shape and aggressive territorial behavior. The diverse morphological variations often make visual identification challenging, especially for buyers without specialized expertise, such as in the Kuningan area. This study aims to develop an Android-based Application capable of automatically classifying betta fish types—Halfmoon, Plakat, and Serit—based on images. The
method employed is a Convolutional Neural network (CNN) utilizing a pre-trained SSDMobileNetV2 FPNLite model implemented with the TensorFlow framework. The research dataset consists of 3,100 betta fish images, divided for training,
validation, and testing processes. Experimental results show that the developed model achieved an accuracy of 98%. Specifically, the precision and recall values obtained for the Halfmoon class were 0.97 and 0.98; for the Plakat class, 0.99 and 0.97; and for the Serit class, 0.99 and 1.00, respectively. These findings indicate that the CNN algorithm is effective in classifying betta fish types based on their visual characteristics. Therefore, the Application has the potential to serve as a fast, accurate, and user-friendly tool for betta fish identification, suitable for both commercial and educational purposes.