Kalkulasi Jumlah Benih Sidat (Anguilla bicolor) berbasis Object Tracking dengan Metode Deep Learning

Abstract

Anguilla bicolor merupakan spesies sidat bernilai ekonomis tinggi yang tidak termasuk dalam daftar CITES sehingga permintaannya meningkat dari waktu ke waktu secara signifikan. Permintaan yang tinggi perlu diimbangi dengan ketersediaan benih yang cukup melalui usaha budidaya. Salah satu yang mendukung keberhasilan budidaya adalah pengaturan padat tebar yang optimal. Kalkulasi jumlah benih untuk perhitungan padat tebar secara manual saat ini dirasa tidak efektif untuk budidaya skala besar. Meskipun metode kalkulasi secara otomatis sudah ada, namun masih memiliki error yang besar. Oleh karena itu, metode kalkulasi berbasis object tracking dengan metode deep learning diterapkan pada penelitian ini dengan tujuan untuk mengatasi masalah tersebut. Algoritma yang digunakan adalah YOLO v8 dengan penambahan algoritma ByteTrack untuk object tracking dan Supervision untuk object counting. Training dilakukan pada dua dataset dengan label berbeda, yaitu bagian kepala dan ekor menggunakan 300 epoch, 16 batch, serta learning rate 0,001 dan 0,01. Berdasarkan hasil training, model dengan label kepala memiliki precision dan recall yang lebih besar dibandingkan dengan model berlabel ekor, masing-masing sebesar 0,91 dan 0,93. Model tersebut bekerja dengan baik pada padat tebar 63 ekor/m² dengan akurasi dan F1 score berturut-turut sebesar 90,91% dan 0,95.

Anguilla bicolor is a highly economically valuable species of eels that is not listed under CITES, so that the demand has significantly increased over time. The high demand needs to be balanced with a sufficient supply of fry through aquaculture efforts. One of the factors supporting successful aquaculture is the optimal stocking density. The current manual calculation method for determining fry quantity for stocking density is considered ineffective for large-scale cultivation. Although automated calculation methods exist, they still have significant errors. Therefore, this research applies an object tracking-based calculation method using deep learning to address this issue. The YOLO v8 algorithm is used, with the addition of the ByteTrack algorithm for object tracking and Supervision for object counting. Training is conducted on two datasets with different labels, namely the head and tail parts, using 300 epochs, 16 batches, and a learning rate of 0,001 and 0,01. Based on the training results, the model with the head label has higher precision and recall compared to the tail-labeled model, with values of 0,91 and 0,93 respectively. The model performs well at a stocking density of 63 individuals/m², with accuracy and F1 scores of 90,91% and 0,95 respectively.