Electronic Theses and Dissertation

Penggunaan visi komputer untuk tugas deteksi dan klasifikasi telah menjadi tren yang berkembang, termasuk dalam penerapan analisis kualitas air berdasarkan skala forel-ule melalui gambar badan air. teknologi ini menawarkan solusi untuk mengatasi keterbatasan metode konvensional dalam pengukuran kualitas air, yang seringkali membutuhkan alat khusus dan pengambilan sampel langsung di lapangan. meskipun demikian, pendekatan ini tidak lepas dari tantangan, terutama terkait masalah kualitas data. salah satu tantangan utama adalah ketidakkonsistenan dalam pengelompokan gambar karena kemiripan warna antar kelas. selain itu, keberadaan benda asing atau gangguan di sekitar badan air juga dapat mempersulit proses deteksi dan mengurangi keakuratan hasil analisis. untuk mengatasi masalah ini, kami mengusulkan penggunaan skala pencahayaan warna sebagai teknik penyaringan untuk memilih gambar berdasarkan dominasi warna utama. pendekatan ini bertujuan untuk mengurangi pengaruh variasi pencahayaan dan meningkatkan konsistensi data yang digunakan dalam klasifikasi. ekstraksi warna dominan dilakukan dengan menggunakan algoritma k-means untuk mengidentifikasi warna utama pada gambar. selanjutnya, data diproses menggunakan arsitektur jaringan syaraf tiruan yang dilengkapi dengan mekanisme perhatian untuk meningkatkan kemampuan model dalam memfokuskan fitur-fitur penting yang relevan dengan klasifikasi. hasil eksperimen menunjukkan bahwa pendekatan ini meningkatkan akurasi deteksi hingga 85,08%, mengurangi pengaruh noise, dan menawarkan solusi yang lebih efektif untuk pemantauan kualitas air secara otomatis. kata kunci : deteksi badan air, visi komputer, skala iluminasi warna, convolutional neural network, mekanisme perhatian.

The use of computer vision for detection and classification tasks has become a growing trend, including in the application of water quality analysis based on the Forel-Ule scale through images of water bodies. This technology offers a solution to overcome the limitations of conventional methods of water quality measurement, which often require specialised tools and direct sampling in the field. Nonetheless, this approach is not free from challenges, especially related to data quality issues. One of the main challenges is the inconsistency in image grouping due to colour similarity between classes. In addition, the presence of foreign objects or disturbances around the water body can also complicate the detection process and reduce the accuracy of the analysis results. To address these issues, we propose the use of colour luminance scale as a filtering technique to select images based on the predominance of the main colour. This approach aims to reduce the influence of lighting variations and improve the consistency of the data used in classification. Dominant colour extraction is performed using the k-means algorithm to identify the main colour in the image. Next, the data is processed using a convolutional neural network architecture equipped with an attention mechanism to improve the model's ability to focus on important features relevant to classification. Experimental results show that this approach improves the detection accuracy to 85.08%, reduces the influence of noise, and offers a more effective solution for automatic water quality monitoring. Keywords: Water Bodies Detection, Computer Vision, Color Illumination Scale, Convolutional Neural Network, Attention Mechanism.