Segmentasi Lamun Enhalus acoroides dari Gambar Bawah Air Menggunakan Metode Mask R-CNN
Abstract
Deep learning telah sukses diaplikasikan untuk klasifikasi dan deteksi pada beberapa objek di laut seperti ikan, plankton serta karang menggunakan data gambar bawah air. Akan tetapi, sejauh ini implementasi deep learning untuk deteksi dan segmentasi lamun masih sedikit dilakukan. Tujuan dari penelitian ini adalah untuk menerapkan model yang dapat mendeteksi dan mensegmentasi lamun menggunakan algoritma Mask R-CNN (Mask Region Convolutional Neural Network) . Penelitian ini menghasilkan dataset yang terdiri dari 500 gambar Enhalus acoroides dan telah melalui proses koreksi warna untuk mengurangi noise. Dataset lamun yang telah dilabel kemudian diimplementasikan kedalam algoritma Mask R-CNN. Proses training dilakukan dengan konfigurasi learning rate sebesar 0,001, ukuran batch 4 dan beberapa augmentasi gambar digunakan untuk menghindari overfitting. Nilai weight optimal diperoleh setelah melakukan proses pembelajaran sebanyak 100 epoch. Hasil evaluasi model menunjukkan nilai accuracy sebesar 0,9246, nilai precision sebesar 0,9507, nilai recall sebesar 0,9712 dan nilai koefisien korelasi 0,8771. Nilai tersebut menunjukkan bahwa model telah berhasil mendeteksi dan mensegmantasi lamun spesies Enhalus acoroides dengan akurat.