HARLEY, Harley (2023) Model Identifikasi Habitat Bentik Berbasis Machine Learning. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Harley-L1C019047-Skripsi-2023.pdf Download (127kB)
	PDF (Legalitas) LEGALITAS-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only Download (512kB)
	PDF (Abstrak) ABSTRAK-Harley-L1C019047-Skripsi-2023.pdf Download (135kB)
	PDF (BabI) BAB-I-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only until 24 November 2024. Download (121kB)
	PDF (BabII) BAB-II-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only until 24 November 2024. Download (616kB)
	PDF (BabIII) BAB-III-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only until 24 November 2024. Download (839kB)
	PDF (BabIV) BAB-IV-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only Download (692kB)
	PDF (BabV) BAB-V-Harley-L1C019047-Skripsi-2023.pdf Download (112kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Harley-L1C019047-Skripsi-2023.pdf Download (131kB)
	PDF (Lampiran) LAMPIRAN-Harley-L1C019047-Skripsi-2023.pdf Restricted to Repository staff only Download (541kB)

Abstract

Penelitian ini bertujuan untuk mengembangkan model identifikasi habitat bentik berbasis machine learning dengan 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 46,6%. Nilai recall sebesar 54,4%, nilai precision sebesar 76,6%, dan nilai F1-score sebesar 63,6% yang mengindikasikan bahwa hasil dari identifikasi objek habitat bentik dapat dikatakan tidak layak untuk aplikasi dunia nyata. Model ini memiliki potensi untuk mengotomatisasi tugas identifikasi dan memudahkan analisis citra bawah air. Meskipun masih ada ruang untuk perbaikan secara berkala dari segi algoritma, tambahan tahap pre-processing, dan penambahan jumlah dataset. Pengembangan model ini membuka potensi untuk aplikasi lebih lanjut dalam pemantauan dan konservasi ekosistem laut.

Actions (login required)

View Item