YASIR, SAHRA FATIMAH and Ritha, Nola and Apdillah, Dony (2025) IDENTIFIKASI JENIS LAMUN MENGGUNAKAN ALGORITMA FASTER REGION - CONVOLUTIONAL NEURAL NETWORK (FASTER R-CNN) STUDI KASUS: DESA PENGUDANG, PULAU BINTAN, KEPULAUAN RIAU. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) SAHRA_FATIMAH_YASIR_2101020084_Teknik_Informatika - Cover.pdf - Published Version Download (470kB)
	Text (Abstrak) SAHRA_FATIMAH_YASIR_2101020084_Teknik_Informatika - Abstrak.pdf - Published Version Download (258kB)
	Text (BAB I) SAHRA_FATIMAH_YASIR_2101020084_Teknik_Informatika - BAB I.pdf - Published Version Download (283kB)
	Text (Daftar Pustaka) SAHRA_FATIMAH_YASIR_2101020084_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (250kB)
	Text (Full Teks) SAHRA_FATIMAH_YASIR_2101020084_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Lamun merupakan ekosistem laut penting yang membutuhkan monitoring untuk konservasi berkelanjutan. Penelitian ini mengimplementasikan algoritma Faster R-CNN untuk deteksi otomatis empat jenis lamun (Cymodocea rotundata, Enhalus acoroides, Syringodium isoetifolium, dan Thalassia hemprichii) menggunakan dataset in situ dari perairan Desa Pengudang. Model dilatih dengan variasi batch size (4, 8, 16) selama 50 epoch dan teknik preprocessing kombinasi CLAHE, enhancement LAB, dan sharpening untuk optimasi kualitas gambar. Evaluasi menggunakan metrik mean Average Precision (mAP) dengan threshold IoU 0.50:0.95 pada dataset validasi 20% dan pengujian melalui aplikasi mobile KenaliLamun. Hasil menunjukkan model dengan batch size 4 memberikan performa terbaik dengan mAP 38.69%, diikuti batch size 8 (38.46%) dan batch size 16 (37.00%). Teknik preprocessing optimal meningkatkan akurasi signifikan dari 17.97% menjadi 38.69%. Pengujian per jenis lamun menunjukkan Enhalus acoroides terdeteksi paling konsisten, diikuti Thalassia hemprichii dan Syringodium isoetifolium yang mengalami beberapa kegagalan deteksi, sementara Cymodocea rotundata menunjukkan performa terendah dengan banyak kesalahan klasifikasi. Model menghadapi tantangan membedakan lamun dengan tanaman dominan hijau lainnya (akurasi 50%), kondisi pencahayaan tidak merata, dan kompleksitas background gambar in situ yang mempengaruhi performa deteksi.

Actions (login required)

View Item