| NIM | L1C019047 |
|---|
| Namamhs | HARLEY |
|---|
| Judul Artikel | Model Identifikasi Habitat Bentik Berbasis Machine Learning
|
|---|
| Abstrak (Bhs. Indonesia) | Penelitian ini bertujuan untuk mengembangkan model identifikasi habitat bentik berbasis machine learning menggunakan algoritma YOLOv5. Habitat bentik memainkan peran penting dalam ekosistem laut maupun kebutuhan manusia. Identifikasi dan analisis habitat bentik secara manual merupakan tugas yang memakan waktu dan sumber daya besar. Oleh karena itu, penelitian ini berupaya mencari solusi dengan memanfaatkan teknologi machine learning untuk mengatasi masalah tersebut. Penelitian ini melibatkan beberapa tahap, termasuk pengumpulan dataset gambar habitat bentik, identifikasi dan pelabelan objek dalam dataset, serta proses pelatihan model menggunakan algoritma YOLOv5. Hasil dari training model dievaluasi menggunakan confusion matrix model dan uji validasi dengan 120 foto dari berbagai kelas habitat bentik. Hasil penelitian menunjukkan bahwa model memiliki nilai accuracy 0,466. Nilai recall sebesar 0,544, nilai precision sebesar 0,766, dan nilai F1-score sebesar 0,636 yang mengindikasikan bahwa model dapat mengenali objek bentik dan dapat diterapkan pada penelitian ini. Model ini memiliki potensi untuk mengotomatisasi tugas identifikasi dan memudahkan analisis citra bawah air. Meskipun masih ada ruang untuk perbaikan secara berkala dari segi arstitektur algoritma, tambahan tahap pre-processing, dan penambahan jumlah dataset. Pengembangan model ini membuka potensi untuk aplikasi lebih lanjut dalam pemantauan dan konservasi ekosistem laut. |
|---|
| Abtrak (Bhs. Inggris) | The research aimed to develop a benthic habitat-based identification machine learning model using the YOLOv5 algorithm. Benthic habitats plays an important role in marine ecosystems and human needs. Manual identification and analysis of benthic habitats were time-consuming and resource-intensive. Therefore, the research sought to find a solution by utilizing machine learning technology to resolve the issue. The research involved several stages, including collecting benthic habitat images, identifying and labelling objects in the dataset, and training the model using the YOLOv5 algorithm. The results of the model training were evaluated using a confusion matrix model and validation tests with 120 photos from various benthic habitat classes. The results showed that the model had an accuracy value of 0.466, a recall value of 0.544, a precision value of 0.766, and an F1-score value of 0.636, which indicated that the model could recognize benthic objects and could be applied to this research. This model had the potential to automate identification tasks and facilitate underwater image analysis. Although there was still room for improvement in terms of algorithm architecture, additional pre-processing stages, and increasing the amount of data gradually. The development of this model opened up the potential for further applications in monitoring and conserving marine ecosystems. |
|---|
| Kata kunci | Machine Learning; YOLOv5; Deteksi Objek; Habitat Bentik; Identifikasi Otomatis |
|---|
| Pembimbing 1 | Rizqi Rizaldi Hidayat, S.I.K., M.Si. |
|---|
| Pembimbing 2 | Iqbal Ali Husni, S.Pi., M.Sc. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2023 |
|---|
| Jumlah Halaman | 13 |
|---|
| Tgl. Entri | 2023-11-20 02:14:28.631632 |
|---|