View/Open

Author

Date Published
30 Nov -0001

Advisor
Ahmad Luky Ramdani, S.Komp., M.Kom,
Prof. Dr. Esa Prakasa, S.T., M.T,

Subject
Sains Data

Publisher

Fitoplankton memiliki peran fundamental dalam ekosistem perairan sebagai produsen primer dan indikator kualitas lingkungan. Mengingat identifikasi secara konvensional memakan waktu, memerlukan keahlian khusus, dan rentan terhadap subjektivitas, perkembangan model deep learning untuk deteksi objek membuka peluang untuk mengotomatisasi proses identifikasi pada citra mikroskopis. Penelitian ini bertujuan untuk mengevaluasi kinerja Faster R-CNN (two-stage detector) dengan menggunakan backbone ResNet-50, ResNet-101, dan MobileNetV3-Large, serta membandingkannya dengan model YOLOv8n dan YOLOv26n (one-stage detector) dalam mendeteksi dan mengidentifikasi spesies fitoplankton di perairan pesisir Belitung. Dataset bersumber dari BRIN yang terdiri atas 243 citra mikroskopis dengan 26 kelas spesies. Pengujian model dievaluasi dengan menggunakan metrik Intersection over Union (IoU), precision, recall, F1-score, mean Average Precision (mAP), dan waktu inferensi menggunakan skema Stratified 5-Fold Cross Validation untuk menjaga proporsi kelas yang tidak seimbang. Hasil penelitian menunjukkan bahwa Faster R-CNN dengan backbone MobileNetV3-Large memperoleh rata-rata mAP@0,5 validasi silang tertinggi sebesar 0,8279 ± 0,0675. Pada test set, model ini juga memperoleh mAP@0,5 dan F1-score tertinggi, masing-masing sebesar 0,8188 dan 0,7077, serta Average IoU sebesar 0,8719. Waktu pelatihannya sebesar 1,21 jam dan waktu inferensinya sebesar 61,50 ms per citra merupakan yang terendah dalam kelompok Faster R-CNN. Namun, YOLOv8n memiliki waktu inferensi terendah secara keseluruhan, yaitu 15,90 ms per citra. Hasil ini menunjukkan trade-off pada konfigurasi yang diuji: MobileNetV3-Large menghasilkan mAP@0,5 tertinggi pada validasi silang dan test set, sedangkan YOLOv8n menawarkan waktu respons lebih rendah. tolong tulis ulang  

URI
https://repo.itera.ac.id/depan/submission/SB2610020005

Keyword