Segmentasi Lamun Enhalus acoroides Hasil Perekaman Underwater Camera dengan Deep Learning
Abstract
Lamun merupakan tumbuhan berbunga (Angiospermae) yang hidup di perairan laut dangkal dan estuari. Lamun mempunyai peranan penting dalam ekosistem di antaranya digunakan sebagai tempat berbagai jenis ikan berlindung, mencari makan, bertelur, dan membesarkan anaknya, produsen primer, stabilisator dasar perairan, penangkap sedimen dan pendaur ulang hara. Metode yang umumnya digunakan untuk mengidentifikasi lamun adalah Seagrass Watch yang dilakukan dengan pengambilan sampel lamun atau dengan membawa buku identifikasi lamun. Perkembangan teknologi pada era revolusi industri 4.0 memungkinan untuk melakukan pengidentifikasian lamun secara otomatis. Penelitian ini bertujuan untuk mengaplikasikan algoritma Deep Learing untuk mendeteksi lamun hasil perekaman underwater camera. Identifikasi dilakukan pada spesies lamun Enhalus acoriodes menggunakan metode deep learning dengan algoritma Mask R-CNN (Mask Region Convolutional Neural Networks). Tahapan dalam prosedur penelitian di antaranya pengumpulan dataset, pelabelan, traning, testing model dan perhitungan luasan lamun. Penelitian ini menggunaka 6000 epoch dan mendapatkan nilai total loss akhir sebesar ± 1.2. Nilai Precision yaitu kemampuan model dalam mengklasifikasikan objek dengan tepat mencapai 98.19% dan kemampuan model untuk menemukan semua objek positif lamun berdasarkan pengujian sistem mampu melakukan Recall sebesar 95.04% serta nilai F1 Score sebesar 96.58%. Hasil penelitian menunjukkan bahwa algoritma MASK R-CNN dapat digunakan untuk deteksi dan segmentasi lamun Enhalus acoroides. Seagrass is a flowering plant (Angiosperms) that live in shallow marine waters and estuaries. Seagrass have an important role in the ecosystem, including a place for various of types of fish to take shelter, foraging for food, laying eggs, and raising their young, primary producers, bottom stabilizers, sediment catchers and nutrient recycler. The method commonly used to identify seagrass is Seagrass Watch which is done by sampling seagrass or by carrying a seagrass identification book. Technological developments in the era of the industrial revolution 4.0 made it possible to identify seagrass automatically. The purpose of this research is to apply the deep learing algorithm to detect seagrass recorded by underwater camera. Identification was carried out on Enhalus acoriodes seagrass species using a deep learning method with the Mask R-CNN (Mask Region Convolutional Neural Networks) algorithm. The steps in the research procedure include collecting, labeling ,traning datasets, testing models and calculating seagrass area. This study used 6000 epochs and obtained the final total loss value of ± 1.2. The Precision value, namely the model's ability to correctly classify objects, reached 98.19%, Recall is 95.04% and the F1 Score value of 96.58%. The results showed that the MASK R-CNN algorithm performed very well to detect seagrass Enhalus acoroides through segmentation.