Update Artikelilmiah: 45769

WALIYU FAIQ MARZUQ MU'AMMAR

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

ABSTRAK 
Metode yang umum digunakan dalam identifikasi fitoplankton adalah dengan identifikasi mikroskopis secara 
manual yang membutuhkan banyak tenaga dan waktu. Untuk mengatasi kekurangan ini, dibutuhkan peralatan 
pencatat dan pendeteksi plankton dengan akurasi tinggi. Perkembangan teknologi mengalami kemajuan besar 
dalam bidang deteksi objek pada gambar ataupun video secara real time. Teknologi yang dapat digunakan untuk 
deteksi objek otomatis adalah deep learning. Konsep dasar dari deep learning adalah dengan memodelkan data 
berskala besar dengan beberapa lapisan pemrosesan dengan struktur yang kompleks. Penelitian ini bertujuan 
untuk mengaplikasikan algoritma YOLO dalam Software untuk mengidentifikasi genera fitoplankton. Penelitian 
ini menggunakan algoritma YOLOv5 dengan melakukan training data terhadap 20 genera fitoplankton yaitu 
Actinocyclus, Asterionella, Carteria, Ceratium, Chaetoceros, Cocconeis, Coscinodiscus, Crucigenia, 
Cyclotella, Dinophysis, Navicula, Nitzschia, Noctiluca, Pinnularia, Pleurosigma, Skeletonema, Spirulina, 
Synedra, Tabellaria, dan Tetraselmis yang diambil dari penelitian terdahulu, website Algaebase, dan Google 
Image untuk kemudian diuji menggunakan confusion matrix. Hasil dari pengujian berupa nilai Accuracy sebesar 
0,831; nilai Precision sebesar 0,934; nilai Recall sebesar 0.882; F-Score sebesar dan 0,907.

Abtrak (Bhs. Inggris)

ABSTRACT 
The common method used for phytoplankton identification is manual microscopic identification, which requires 
significant effort and time. To overcome these limitations, high-accuracy plankton recording and detection 
equipment is needed. Technological advancements have made significant progress in real-time object detection 
in images and videos. Deep learning is a technology that can be used for automatic object detection. The basic 
concept of deep learning involves modeling large-scale data with several processing layers and complex 
structures. This research aims to apply the YOLO algorithm in software to identify phytoplankton genera. This 
study utilizes the YOLOv5 algorithm by training data on 20 genera of phytoplankton, namely Actinocyclus, 
Asterionella, Carteria, Ceratium, Chaetoceros, Cocconeis, Coscinodiscus, Crucigenia, Cyclotella, Dinophysis, 
Navicula, Nitzschia, Noctiluca, Pinnularia, Pleurosigma, Skeletonema, Spirulina, Synedra, Tabellaria, and 
Tetraselmis, which were obtained from previous research, the Algaebase website, and Google Images, and then 
tested using a confusion matrix. The test results showed an Accuracy value of 0.831, a Precision value of 0.934, 
a Recall value of 0.882, and an F-Score of 0.907.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman