RIDHO, MUHAMMAD and Magfira, Fortia and Kartika, Indah (2026) KLASIFIKASI HABITAT BENTIK PERAIRAN DANGKAL BERBASIS DEEP LEARNING MENGGUNAKAN ARSITEKTUR MOBILENETV2. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) Muhammad_Ridho_2201020104_Teknik-Informatika - Cover.pdf Download (621kB)
	Text (Abstrak) Muhammad_Ridho_2201020104_Teknik-Informatika - Abstrak.pdf - Published Version Download (368kB)
	Text (Bab 1) Muhammad_Ridho_2201020104_Teknik-Informatika - Bab-1.pdf - Published Version Download (406kB)
	Text (Daftar Pustaka) Muhammad_Ridho_2201020104_Teknik-Informatika - Daftar-Pustaka.pdf - Published Version Download (397kB)
	Text (Full Teks) Muhammad_Ridho_2201020104_Teknik-Informatika - Full-Teks.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

MUHAMMAD RIDHO. Klasifikasi Habitat Bentik Perairan Dangkal Berbasis Deep Learning Menggunakan Arsitektur MobileNetV2. Dibimbing oleh FORTIA MAGFIRA dan INDAH KARTIKA. Desa Berakit, Kecamatan Teluk Sebong, Kabupaten Bintan, Kepulauan Riau memiliki ekosistem habitat bentik di perairan dangkal yang merupakan pusat biodiversitas pesisir, namun tekanan degradasi akibat peningkatan aktivitas manusia di wilayah pesisir dapat menggangu habitat bentik sehingga membutuhkan sistem pemantauan yang efisien dan objektif. Identifikasi habitat bentik secara manual melalui survei visual penyelam memiliki keterbatasan karena memerlukan waktu dan biaya besar serta rentan terhadap subjektivitas pengamat. Penelitian ini bertujuan menganalisis kemampuan arsitektur MobileNetV2 dalam mengklasifikasikan habitat bentik pada citra bawah air yang mencakup lima kelas, yaitu Karang, Lamun, Alga, Substrat Pasir, dan Objek di Luar Bentik, ditinjau dari nilai accuracy, precision, recall, dan F1-Score. Dataset berjumlah 1.250 citra yang dikumpulkan secara in-situ di perairan Desa Berakit menggunakan kamera smartphone bawah air. Dataset dibagi menjadi data latih, validasi, dan uji dengan perbandingan 70:20:10. Model dilatih menggunakan pendekatan transfer learning dua fase dengan bobot pre-trained ImageNet, disertai pencarian hyperparameter optimal melalui grid search terhadap 27 kombinasi learning rate dan dropout. Model terbaik mencapai nilai accuracy sebesar 96%, precision sebesar 0,96, recall sebesar 0,96, dan F1-Score sebesar 0,96 pada data uji dengan konfigurasi learning rate Fase = 5e-4, learning rate Fase 2 = 1e-4, dan dropout = 0,4. Kata kunci: Citra bawah air, Deep learning, Habitat bentik, MobileNetV2, Transfer learning.

Actions (login required)

View Item