Electronic Theses and Dissertation

Transplantasi karang telah menjadi salah satu pendekatan yang dilakukan untuk konservasi. Penelitian ini mengimplementasikan algoritma Mask R-CNN dengan pustaka Detectron2 dalam deteksi dan segmentasi objek terumbu karang untuk menghitung tinggi dan lebar karang transplantasi. Metode penelitian melibatkan pengumpulan dataset, pembagian dataset, anotasi dataset, implementasi model, evaluasi model, dan menghitung laju pertumbuhan karang. Implementasi model melibatkan tujuh backbone segmentasi instance dengan jadwal laju pembelajaran sebesar tiga kali. Hasil penelitian menunjukkan bahwa dari ketujuh backbone yang di uji X101-FPN dan R101-DC5 menghasilkan presisi dan recall yang lebih baik. Selisih antara kedua model terbaik tersebut untuk masker segmentasi pada Average Precision (AP) maksimal sebesar 2,2% sedangkan untuk kotak deteksi sebesar 5,8%. Sedangkan selisih pada Average Recall (AR) maksimal sebesar 8,3% sedangkan untuk kotak deteksi pada Average Recall (AR) sebesar 5,2%. Hasil segmentasi X101-FPN dipilih untuk mengukur tinggi dan lebar karang yang sudah di transplantasi.

Kata Kunci: Terumbu Karang, Mask R-CNN, Segmentasi, Transplantasi, Detectron2, Pengukuran

Coral transplantation has become one of the approaches taken for conservation. This study implements the R-CNN Mask algorithm with the Detectron2 library in the detection and segmentation of coral reef objects to calculate the height and width of transplanted corals. Research methods involve collecting datasets, sharing datasets, annotating datasets, implementing models, evaluating models, and calculating coral growth rates. Model implementation involves seven backbone segmentation instances with a learning rate schedule of three times. The results showed that of the seven backbones tested, X101-FPN and R101-DC5 resulted in better precision and recall. The difference between the two best models for segmentation masks on Average Precision (AP) is a maximum of 2.2% while for detection boxes it is 5.8%. While the difference in Average Recall (AR) is a maximum of 8.3% while for boxes in Average Recall (AR) is 5.2%. The X101-FPN segmentation results were selected to measure the height and width of transplanted corals. Keywords: Coral Reef, Mask R-CNN, Segmentation, Transplant, Detectron2, Measurement