Electronic Theses and Dissertation

Hutan mangrove memiliki peran penting dalam menjaga keseimbangan ekosistem
pesisir, menyerap karbon, dan memberikan manfaat ekonomi bagi masyarakat.
Namun, deteksi jenis mangrove secara manual memerlukan waktu dan sumber daya
yang besar. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web
untuk mendeteksi jenis mangrove menggunakan algoritma machine learning
multimodel seperti YOLOv8, RTMDet, RTDETR, RetinaNet, EfficientDet,
MobileNet, dan CenterNet. Aplikasi ini memungkinkan pengguna memilih model
sesuai kebutuhan dan menyediakan deteksi akurat dari gambar citra udara yang
diambil menggunakan drone. Fokus deteksi adalah mangrove jenis Rhizophora,
Avicennia, dan Nypa yang ditemukan di kawasan Banda Aceh dan Aceh Besar.
Proses pengembangan meliputi pengumpulan data, pengujian model, dan
penerapan teknologi seperti FastAPI dan Bootstrap. Hasilnya berupa aplikasi
berbasis web yang mampu melakukan deteksi jenis mangrove secara otomatis,
menampilkan jumlah dan posisi jenis mangrove dalam gambar (bounding box),
serta memberikan estimasi carbon stock. Aplikasi telah diuji secara fungsional dan
menunjukkan hasil yang stabil. Pengujian usability menggunakan System Usability
Scale (SUS) menghasilkan skor sebesar 76 dengan nilai B, yang termasuk dalam
kategori baik, serta memiliki Margin of Error (MoE) sebesar 5.9, yang
mencerminkan konsistensi dan keandalan persepsi pengguna terhadap kegunaan
aplikasi.
Kata Kunci: Mangrove, Deteksi Objek, Machine Learning, Aplikasi berbasis
web,carbon stock

Mangrove forests play a crucial role in maintaining coastal ecosystem balance, sequestering carbon, and providing economic benefits to local communities. However, manual identification of mangrove species is time-consuming and resource-intensive. This study aims to develop a web-based application for detecting mangrove species using multimodel machine learning algorithms such as YOLOv8, RTMDet, RT-DETR, RetinaNet, EfficientDet, MobileNet, and CenterNet. The application allows users to choose detection models as needed and provides accurate analysis of aerial images captured by drones. The detection focus is on mangrove genera Rhizophora, Avicennia, and Nypa found in the Banda Aceh and Aceh Besar regions. The development process includes data collection, model evaluation, and the implementation of technologies such as FastAPI and Bootstrap. The resulting web-based application can automatically detect mangrove species, display the number and location of species in images (bounding boxes), and provide carbon stock estimates. Functional testing showed stable results. Usability testing using the System Usability Scale (SUS) yielded a score of 76 with a Grade B, categorized as good, and achieved a Margin of Error (MoE) of 5.9, indicating consistency and reliability in users' perception of the application's usability. Keywords: Mangrove, Object Detection, Machine Learning, Web-Based Application, Carbon Stock