Identifikasi Daun Mangrove dan Lamun secara Otomatis melalui Deep Learning dan Pengembangan Aplikasi Berbasis Website

Abstract

Ekosistem mangrove dan lamun memainkan peran penting dalam keseimbangan pesisir, sehingga memerlukan metode identifikasi dan pemantauan yang efektif. Identifikasi spesies secara tradisional memakan waktu, membutuhkan banyak tenaga kerja, dan bergantung pada keahlian pengamat. Penelitian ini mengembangkan model deep learning menggunakan algoritma YOLOv11 untuk mengidentifikasi empat spesies vegetasi pesisir (Avicennia alba, Rhizophora apiculata, Enhalus acoroides, dan Thalassia hemprichii) secara otomatis dan mengimplementasikannya ke dalam aplikasi berbasis web. Dataset sebanyak 1.500 gambar berlabel bounding-box dibagi menjadi data training, validasi, dan testing (80:10:10). Dievaluasi melalui confusion matrix, model YOLOv11 mencapai nilai mAP50 sebesar 0,994, dengan presisi berkisar antara 0,97-0,99 dan recall dari 0,92-1,00 pada seluruh kelas. Model diintegrasikan ke dalam situs website berbasis Flask, di mana fungsi-fungsi utamanya berjalan sesuai rancangan. Penelitian ini menyoroti potensi AI dan aplikasi website untuk identifikasi vegetasi pesisir secara otomatis serta penyediaan data dalam kerangka kerja OHI.

Mangrove and seagrass ecosystems play a crucial role in coastal balance, requiring effective identification and monitoring methods. Traditional species identification is time-consuming, labor-intensive, and reliant on observer expertise. This study develops a deep learning model using the YOLOv11 algorithm to automatically identify four coastal vegetation species (Avicennia alba, Rhizophora apiculata, Enhalus acoroides, and Thalassia hemprichii) and implements it into a web-based application. A dataset of 1.500 bounding-box labeled images was split into training, validation, and test sets (80:10:10). Evaluated via a confusion matrix, the YOLOv11 model achieved a mAP50 of 0,994, with precision ranging from 0,97 to 0,99 and recall from 0,92 to 1,00 across classes. The model was integrated into a Flask-based website, where core functions performed as designed. This research highlights the potential of AI and web applications for automated coastal vegetation identification and data provision within the OHI framework.