Electronic Theses and Dissertation

Abstrak - Mangrove merupakan ekosistem pesisir yang penting dengan manfaat ekologi, seperti perlindungan pantai dan penyerapan karbon. Namun, tantangan dalam membedakan genus mangrove dan mengukur luas kanopi mangrove untuk estimasi daya serap karbon menjadi perhatian utama. Untuk itu, digunakan dataset citra udara yang diambil menggunakan drone dengan lebih dari 20.000 vegetasi mangrove. Studi ini berfokus pada pengembangan model deep learning untuk mendeteksi dan mengklasifikasikan vegetasi mangrove serta menghitung jumlah vegetasi dan luas kanopi mangrove di Gampong Pande, Aceh, dengan tujuan mendukung konservasi lingkungan. Beberapa model yang telah dilakukan berupa model YOLOv8, RTDETR, RTMDET, dan RETINANET dengan menggunakan 2 learning rate yang berbeda yaitu 1e-3 dan 1e-4, serta menggunakan 2 epoch yang berbeda yaitu 100 dan 200 epoch. Model RTDETR dengan learning rate 1e-3 dan 200 Epoch menunjukkan hasil paling unggul di antara model RTDETR dan Model lainnya, dengan nilai mAP@0.50 sebesar 0.251, mAP@0.50:95 sebesar 0.115, dan recall sebesar 0.395. Model YOLOv8l dengan learning rate yang sama dan 100 Epoch menempati posisi kedua dengan mAP@0.50 sebesar 0.24, mAP@0.50:95 sebesar 0.103, dan recall sebesar 0.309. Sementara itu, model. RTMDET memperoleh mAP@0.50 sebesar 0.218, mAP@0.50:95 sebesar 0.095 dan recall 0.326, sedangkan RETINANET memiliki mAP@0.50 sebesar 0.226, mAP@0.50:95 sebesar 0.068 dan recall 0.348. Dari ke-empat model ini dilakukan evaluasi kuantitatif untuk menentukan model terbaik dalam mendeteksi bounding box mangrove terhadap ground truth, dan di dapat bahwa RETINANET menunjukkan hasil terbaik, dengan prediksi bounding box yang paling akurat dan mendekati ground truth. Hal ini terjadi dikarenakan model RETINANET memiliki kemampuan untuk menangani ketidakseimbangan kelas dan memiliki kemampuan untuk belajar lebih fokus untuk membedakan objek yang serupa. Dengan demikian, RETINANET menjadi model terbaik dalam eksperimen ini.

Keyword : Mangrove, Object detection, , YOLOv8, RTDETR, RTMDET, RETINANET

Abstract - Mangroves are important coastal ecosystems with ecological benefits, such as coastal protection and carbon sequestration. However, challenges in distinguishing mangrove genera and measuring mangrove canopy cover for carbon sequestration estimates are major concerns. To address this, an aerial image dataset captured using a drone with over 20,000 mangrove vegetation points was utilized. This study focuses on developing a deep learning model to detect and classify mangrove vegetation, as well as calculate the number of mangrove plants and canopy area in Gampong Pande, Aceh, with the aim of supporting environmental conservation. Several models were tested, including YOLOv8, RTDETR, RTMDET, and RETINANET, using two different learning rates (1e-3 and 1e-4) and two different epochs (100 and 200 epochs). The RTDETR model with a learning rate of 1e-3 and 200 epochs showed the best results among the RTDETR models and other models, with a precision-recall (mAP@0.50) value of 0.251, precision-recall (mAP@0.50:95) of 0.115, and recall of 0.395. The YOLOv8l model with the same learning rate and 100 epochs ranked second with a mAP@0.50 of 0.24, a mAP@0.50:95 of 0.103, and a recall of 0.309. Meanwhile, the RTMDET model RTMDET achieved a mAP@0.50 of 0.218, a mAP@0.50:95 of 0.095, and a recall of 0.326, while RETINANET achieved a mAP@0.50 of 0.226, a mAP@0.50:95 of 0.068, and a recall of 0.348. A quantitative evaluation was conducted on these four models to determine the best model for detecting mangrove bounding boxes against ground truth, and it was found that RETINANET showed the best results, with the most accurate bounding box predictions and closest to ground truth. This is because the RETINANET model has the ability to handle class imbalance and has the ability to learn more focused on distinguishing similar objects. Thus, RETINANET emerged as the best model in this experiment. Keyword : Mangrove, Object detection, , YOLOv8, RTDETR, RTMDET, RETINANET