Ahyar Maulana Primary Author mixed material bibliography Banda Aceh Fakultas Teknik 2025

Skripsi

Abstrak- Mangrove berperan penting dalam melindungi pesisir, menyerap karbon, dan menjadi habitat berbagai spesies. Indonesia memiliki ekosistem mangrove terbesar di dunia, salah satunya di Gampong Pande, Banda Aceh. Namun, identifikasi jenis mangrove di lokasi ini masih dilakukan secara manual, sehingga memakan waktu, biaya besar, dan kurang efisien. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kinerja model deteksi mangrove berbasis YOLOv8 dan Cascade R-CNN guna mengevaluasi efektivitas dan efisiensi masing-masing model dalam mendeteksi vegetasi mangrove pada citra udara. Studi ini dilakukan di Gampong Pande, Kecamatan Kutaraja, Banda Aceh, yang memiliki ekosistem mangrove dengan tiga genus utama: Rhizophora, Avicennia, dan Nypa fruticans. Data penelitian berupa citra drone resolusi tinggi dari vegetasi mangrove di lokasi tersebut. Evaluasi kinerja model dilakukan menggunakan berbagai metrik seperti akurasi, presisi, recall, dan mean Average Precision (mAP). Penelitian ini bertujuan untuk membandingkan dua model deteksi objek berbasis deep learning, yaitu YOLOv8 dan Cascade R-CNN, dalam mendeteksi vegetasi mangrove dari citra udara. Kedua model memiliki pendekatan arsitektur yang berbeda, di mana YOLOv8 dikenal sebagai model deteksi satu tahap (one-stage detector) yang mengutamakan kecepatan, sedangkan Cascade R-CNN merupakan model dua tahap (two-stage detector) yang menekankan pada presisi. Evaluasi dilakukan terhadap performa kedua model dalam mendeteksi berbagai jenis mangrove pada citra dengan kondisi lingkungan yang bervariasi, seperti perbedaan tekstur tanah, perubahan musiman, serta gangguan visual lainnya. Hasil evaluasi menunjukkan bahwa YOLOv8m unggul dari segi kecepatan dan efisiensi pelatihan dengan skor mAP50 sebesar 0,200. Namun, Cascade R-CNN meskipun mencatat skor mAP50 lebih rendah (0,168), mampu menghasilkan deteksi lebih stabil dan akurat dengan confidence score sebagian besar di atas 90%, serta konsisten mengenali label seperti Rhizophora tree dan Rhizophora sapling. Sebaliknya, YOLOv8m menghasilkan jumlah deteksi lebih sedikit dengan confidence score cenderung rendah di bawah 50%. Temuan ini menegaskan bahwa arsitektur two-stage seperti Cascade R-CNN lebih unggul dalam akurasi, sedangkan YOLOv8m lebih efisien. Dengan demikian, pemilihan model sebaiknya disesuaikan dengan kebutuhan, apakah mengutamakan efisiensi atau presisi, guna mendukung konservasi, pemantauan, dan rehabilitasi ekosistem mangrove secara efektif dan berbasis teknologi. Kata Kunci: Mangrove, YOLOv8, Cascade R-CNN, Deep Learning, Deteksi Objek. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1702533 2025-10-01 15:14:50 2025-10-02 10:04:43 machine generated