Electronic Theses and Dissertation

Terumbu karang sebagai ekosistem yang rentan, memerlukan pemantauan efisien
untuk mengetahui keadaanya. Dalam era teknologi yang pesat, kecerdasan buatan
khususnya Algoritma Mask R-CNN dengan menggunakan Pustaka Detectron2
menawarkan solusi inovatif untuk pemantauan ekosistem ini. Penelitian ini
menerapkan Algoritma Mask R-CNN untuk mendeteksi dan memisahkan objek
terumbu karang guna menghitung persentase tutupan karang hidup. Penelitian ini
menggunakan 358 citra dari ekosistem terumbu karang di perairan Pulau Gosong,
Aceh Barat Daya. Digunakan tujuh backbone yang berbeda dalam Algoritma Mask RCNN dilatih, dievaluasi berdasarkan presisi dan recall. Hasil menunjukkan
ResneXt101-FPN dan R101-C4 sebagai backbone terbaik berdasarkan evaluasi
tersebut. ResneXt101-FPN menampilkan segmentasi yang lebih baik dan visualisasi
yang lebih akurat. Penggunaan ResneXt101-FPN dalam menghitung tutupan karang
menghasilkan estimasi sebesar tutupan karang 86.06% pada gambar uji,
menuntujukkan efektivitas Mask R-CNN, terutama dengan ResNeXt101-FPN, dalam
segmentasi objek terumbu karang dan perhitungan persentase tutupan karang hidup.
Hal ini memberikan sumbangan penting pada pemantauan dan konservasi terumbu
karang.
Kata kunci: Terumbu Karang, Tutupan Karang, Mask R-CNN, Detectron2, Backbone,
Segmentasi

Coral reefs as vulnerable ecosystems, require efficient monitoring to determine their condition. In an era of rapid technology, artificial intelligence especially the Mask RCNN algorithm using the Detectron2 Library, offers innovative solutions for monitoring this ecosystem. This study applied the Mask R-CNN algorithm to detect and separate coral reef objects to calculate the percentage of live coral cover. The study used 358 images from coral reef ecosystems in the waters of Gosong Island, Southwest Aceh. Seven different backbones in the Mask R-CNN algorithm were trained, evaluated based on precision and recall. The results highlight ResneXt101- FPN and R101-C4 as the best backbone based on the evaluation. ResneXt101-FPNfeatures better segmentation and more accurate visualization. The use of ResneXt101- FPN in calculating coral cover resulted in an estimate of 86.06% coral cover in the test image, demonstrating the effectiveness of Mask R-CNN, especially with ResneXt101-FPN, in segmentation of coral reef objects and calculation of the percentage of live coral cover. This makes an important contribution to the monitoring and conservation of coral reefs. Keywords: Coral Reef, Coral Cover, R-CNN Mask, Detectron2, Backbone, Segmentation