Implemantasi Mask R-CNN pada Perhitungan Tinggi dan Lebar Karang untuk Memantau Pertumbuhan Transplantasi Karang

Abstract

Indonesia merupakan negara kepulauan dengan terumbu karang yang tinggi dan keanekaragaman hayati laut yang kompleks. Namun, setidaknya 45% dari terumbu karang di Indonesia dalam kondisi terancam disebabkan oleh beberapa faktor seperti ulah manusia, perubahan iklim, lingkungan sekitar, lambatnya laju pertumbuhan dan lain sebagainya. Transplantasi karang telah menjadi salah satu pendekatan yang dilakukan untuk konservasi. Penelitian ini mengimplementasikan algoritma Mask Region-based Convolutional Neural Network (Mask R-CNN) dengan Pustaka Detectron2 dalam deteksi dan segmentasi objek untuk menghitung tinggi dan lebar karang transplantasi melalui citra. Metode penelitian melibatkan pengumpulan dataset, pembagian dataset, anotasi dataset, implementasi model, evaluasi model, dan mengitung laju pertumbuhan karang. Implementasi model melibatkan 7 backbone segmentasi instance dengan jadwal laju pembelajaran sebesar 3 kali. Hasil penelitian menunjukkan bahwa dari ketujuh backbone yang diuji X101-FPN dan R101-DC5 menghasilkan presisi dan recall yang lebih baik. Selisih Average Presision (AP) antara kedua model terbaik tersebut untuk segmentasi mask pada Intersection over Union (IoU) maksimum sebesar 2,2% sedangkan untuk deteksi box sebesar 5,8%. Sedangkan selisih Average Recall (AR) untuk segmentasi mask sebesar 8,3% dan deteksi box sebesar 5,2%. Hasil segmentasi X101-FPN dipilih untuk mengukur tinggi dan lebar karang yang telah di transplantasi, sehingga dapat digunakan untuk memantau laju pertumbuhan dari transplantasi karang.

Keywords

• Terumbu Karang
• Mask R-CNN
• Segmentasi
• Transplantasi
• Detectron2
• Pengukuran