AL KAUSAR, MUHAMMAD AZZA and Ritha, Nola and Hayaty, Nurul (2026) STUDI KOMPARATIF KINERJA EFFICIENTDET-D0 DAN YOLOV8 UNTUK IDENTIFIKASI SPESIES LAMUN PADA CITRA BAWAH AIR. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MUHAMMAD_AZZA_AL_KAUSAR_2201020094_Teknik_Informatika - Cover.pdf - Published Version Download (844kB)
	Text (Abstrak) MUHAMMAD_AZZA_AL_KAUSAR_2201020094_Teknik_Informatika - Abstrak.pdf - Published Version Download (261kB)
	Text (BAB I) MUHAMMAD_AZZA_AL_KAUSAR_2201020094_Teknik_Informatika - BAB I.pdf - Published Version Download (334kB)
	Text (Daftar Pustaka) MUHAMMAD_AZZA_AL_KAUSAR_2201020094_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (278kB)
	Text (Full Teks) MUHAMMAD_AZZA_AL_KAUSAR_2201020094_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Identifikasi spesies lamun secara manual pada citra bawah air masih menghadapi kendala akibat kemiripan morfologi antarspesies, kualitas citra yang dipengaruhi kekeruhan air, serta kebutuhan waktu dan tenaga ahli. Penelitian ini bertujuan membandingkan kinerja EfficientDet-D0 dan YOLOv8 dalam mengidentifikasi enam spesies lamun pada citra bawah air serta mengevaluasi pengaruh pendekatan Remove Background dan Pseudo-Labeling. Dataset yang digunakan terdiri atas 6.000 citra bawah air dari Perairan Desa Pengudang, Pulau Bintan, dengan pembagian data 80% pelatihan, 10% validasi, dan 10% pengujian. Model dievaluasi menggunakan mean Average Precision (mAP), Precision, Recall, F1-Score, dan waktu inferensi. Hasil penelitian menunjukkan bahwa Remove Background menurunkan kemampuan generalisasi model pada citra asli, sedangkan Pseudo-Labeling meningkatkan performa kedua model. YOLOv8 memperoleh hasil terbaik dengan mAP@50 sebesar 66,25%, lebih tinggi 2,92 poin persentase dibandingkan EfficientDet-D0 (63,33%). Dari sisi efisiensi komputasi, YOLOv8 memiliki waktu inferensi sekitar 2,4 ms/citra, sedangkan EfficientDet-D0 sekitar 28,2 ms/citra. Sebaliknya, EfficientDet-D0 menggunakan memori GPU yang lebih rendah dibandingkan YOLOv8. Secara keseluruhan, YOLOv8 dengan Pseudo Labeling memberikan performa terbaik dari sisi akurasi, kemampuan generalisasi, dan kecepatan inferensi, sedangkan EfficientDet-D0 lebih unggul dalam efisiensi penggunaan memori GPU.

Actions (login required)

View Item