Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat. Abstract Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time.
English
Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat. Abstract Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short 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.