Nurul Asmi Amalia Primary Author mixed material bibliography Banda Aceh Prog. Studi Magister Kecerdasan Buatan 2026

Theses

Deteksi ikan bawah air penting untuk pemantauan ekosistem laut, namun kinerjanya sering menurun akibat degradasi citra seperti kontras rendah, dominasi spektrum biru–hijau, kekeruhan, dan variasi pencahayaan. Penelitian ini mengusulkan pipeline deteksi ikan bawah air yang mengintegrasikan peningkatan citra berbasis CLAHE dan deteksi objek menggunakan YOLOv3, serta memvalidasi implementasinya pada perangkat edge AI NVIDIA Jetson Orin Nano melalui antarmuka Streamlit. Empat varian peningkatan citra dievaluasi, yaitu CLAHE, CLAHE+Unsharp Masking (USM), CLAHE+High-Frequency Emphasis Filter (HEF), dan CLAHE+Percentile Blending. Evaluasi kualitas citra dilakukan pada subset 10% dataset DeepFish menggunakan metrik LOE, UIQM, dan UCIQE. Hasil menunjukkan CLAHE+Percentile Blending memberikan kompromi terbaik dengan LOE terendah (212,021) serta UIQM (3,949) dan UCIQE (0,508) tertinggi. Evaluasi deteksi dilakukan pada dua domain: dataset DeepFish dan lokal Sabang, Aceh. Pada DeepFish, peningkatan citra meningkatkan mAP@0,5 dari 96,15% menjadi 97,05%, menurunkan false negative (198 menjadi 137), dan meningkatkan IoU rata-rata (74,39% menjadi 75,09%). Pada dataset lokal, pengujian tanpa adaptasi menghasilkan mAP@0,5 sebesar 6,07%, menunjukkan domain shift yang kuat. Setelah fine-tuning dengan pembagian 70/15/15, kinerja meningkat menjadi 92,64% (citra asli) dan 93,74% (citra ditingkatkan) dengan recall 0,92. Sistem berhasil dijalankan sepenuhnya offline pada Jetson Orin Nano dan menampilkan keluaran deteksi melalui Streamlit. Kata Kunci: deteksi ikan bawah air, peningkatan citra, CLAHE, YOLOv3, domain shift, fine-tuning, Jetson Orin Nano, Streamlit. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1714819 2026-04-20 16:15:56 2026-04-20 16:23:00 machine generated