Electronic Theses and Dissertation

Mangrove merupakan ekosistem pesisir yang penting dengan manfaat ekologi, seperti perlindungan pantai dan penyerapan karbon. Namun, proses identifikasi jenis mangrove oleh Dinas Lingkungan Hidup dan Kehutanan Aceh masih dilakukan secara manual di lapangan, yang memerlukan waktu dan biaya besar. Untuk mengatasi tantangan ini, dikembangkan sebuah model deteksi otomatis berbasis citra udara dari drone, dengan lebih dari 20.000 vegetasi mangrove sebagai dataset. Penelitian ini menguji tiga arsitektur model deteksi objek MobileNetV2, EfficientDet, dan CenterNet dengan variasi parameter learning rate 1e-4 dan 1e-5 dengan jumlah Steps 50.000 dan 78.000. Khusus untuk CenterNet, digunakan Steps yang lebih kecil 5.000 dan 3.000 karena keterbatasan penyimpanan di platform Kaggle akibat ukuran model yang besar. Hasil terbaik diperoleh dari model CenterNet dengan learning rate 1e-4 dan 5.000 Steps, mencatat mAP 0.50 sebesar 0,165 dan recall 0,312. Sementara itu, model EfficientDet dengan konfigurasi 50.000 Steps dan learning rate 10-4 mencatat mAP 0.50 sebesar 0,155 dan recall 0,353. Model MobileNetV2 dalam konfigurasi yang sama mencatat mAP 0.50 sebesar 0,149 dan recall 0,217.Berdasarkan evaluasi kuantitatif terhadap kedekatan hasil prediksi dengan ground truth, secara visual model EfficientDet dinilai sebagai yang paling akurat dan konsisten dalam mendeteksi objek mangrove.

Mangroves are important coastal ecosystems with ecological benefits, such as coastal protection and carbon sequestration. However, the identification of mangrove species by the Aceh Environment and Forestry Agency is still done manually in the field, which is time-consuming and costly. To overcome this challenge, an automatic detection model based on aerial imagery from drones was developed, with more than 20,000 mangrove vegetation as dataset. This study tested three object detection model architectures MobileNetV2, EfficientDet, and CenterNet with variations in learning rate parameters of 1e-4 and 1e-5 with the number of Steps of 50,000 and 78,000. Especially for CenterNet, smaller Steps of 5,000 and 3,000 were used due to storage limitations in the Kaggle platform due to the large model size. The best results were obtained from the CenterNet model with a learning rate of 10-4 and 5,000 Steps, recording mAP 0.50 of 0.165 and recall of 0.312. Meanwhile, the EfficientDet model with a configuration of 50,000 Steps and a learning rate of 1e-4 recorded mAP 0.50 of 0.155 and recall of 0.353. The MobileNetV2 model in the same configuration recorded mAP 0.50 of 0.149 and recall of 0.217.Based on the quantitative evaluation of the closeness of the prediction results to the ground truth, the EfficientDet model is visually rated as the most accurate and consistent in detecting mangrove objects.