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.
English
Terumbu karang merupakan ekosistem yang berperan penting di laut serta sangat rentan terhadap kerusakan. Transplantasi karang telah menjadi salah satu pendekatan yang dilakukan untuk melestarikan terumbu karang. Pasca transplantasi, pemantauan perlu dilakukan untuk melihat pertumbuhan karang. Dalam upaya pemantauan, para penyelam harus membawa alat selam, penggaris dan buku untuk mengukur dan mencatat satu-satu karang yang telah ditransplantasi. Proses tersebut menghabiskan investasi finansial, waktu dan tenaga yang besar. Pemantauan dapat dioptimalkan dengan mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) melalui library Detectron2 pada citra transplantasi karang. Proses implementasi akan menghasilkan model yang dapat melakukan segmentasi pada objek karang. Segmentasi tersebut dapat dikalkulasikan untuk melihat tinggi dan lebar karang sebagai indikator pertumbuhan. Implementasi model melibatkan tujuh backbone segmentasi instance dengan jadwal laju pembelajaran sebesar tiga kali. Berdasarkan hasil penelitian, model yang dihasilkan telah berhasil diimplementasikan dalam mengukur tinggi dan lebar dari karang transplantasi. Perbandingan antara hasil pengukuran menggunakan model Mask R-CNN dan pengukuran langsung menunjukkan konsistensi yang baik. Dengan demikian para penyelam hanya perlu memaksimalkan sumberdaya yang dimiliki untuk mengambil citra karang dengan jarak yang telah ditentukan sehingga dapat meringkas waktu penyelaman. Abstract Coral reefs are ecosystems that play an important role in the sea and are very vulnerable to damage. Coral transplantation has become one of the approaches taken to preserve coral reefs. Post-transplant, monitoring needs to be done to see coral growth. In monitoring efforts, divers must carry diving equipment, rulers and books to measure and record the only corals that have been transplanted. The process consumes a huge investment of finance, time and effort. Monitoring can be optimized by implementing the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm through the Detectron2 library on coral transplant images. The implementation process will produce a model that can segment coral objects. The segmentation can be calculated to see the height and width of corals as growth indicators. The model implementation involves seven backbone segmentation instances with a learning rate schedule of three times. Based on the results of the study, the resulting model has been successfully implemented in measuring the height and width of transplanted corals. Comparison between measurement results using the Mask R-CNN model and direct measurements showed good consistency. Thus, divers only need to maximize their resources to take images of corals with a predetermined distance so as to shorten dive time.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.