MODEL CORALNET, INCEPTIONV3, DAN MOBILENETV2 UNTUK KLASIFIKASI KONDISI TERUMBU KARANG

Ulfa Hidayati; Felix Windriyareksa  Hardyan; Faizah Rizki  Auliawati; Ali Akbar  Rafsanjani; Fanka Arie  Reza; Mario Mora  Siregar

doi:10.23960/jitet.v13i3.6591

Authors

Ulfa Hidayati Universitas Gunadarma
Felix Windriyareksa Hardyan Universitas Gunadarma
Faizah Rizki Auliawati Universitas Gunadarma
Ali Akbar Rafsanjani Universitas Gunadarma
Fanka Arie Reza Universitas Gunadarma
Mario Mora Siregar Universitas Gunadarma

DOI:

https://doi.org/10.23960/jitet.v13i3.6591

Abstract Views: 176 File Views: 100

Abstract

Indonesia memiliki keanekaragaman hayati laut tertinggi di dunia dengan sekitar 569 spesies dan 83 genus karang batu (stony coral ) yang mencakup 69% spesies dan 76% genus dari total karang batu global. Namun terumbu karang sangat rentan terhadap perubahan iklim. Faktor lingkungan dapat merusak fotosistem II, menyebabkan hilangnya alga simbiotiknya dan tampak memutih. Penerapan model Support Vector Machine (SVM) dan Bag of Features (BoF) dilakukan sebagai solusi AI untuk mengklasifikasikan kondisi terumbu karang. Namun, pendekatan ini mengandalkan ekstraksi fitur manual dan memerlukan alur kerja yang lebih kompleks dibandingkan metode pembelajaran mendalam end-to-end seperti CoralNet, InceptionV3, dan MobileNetV 2. Penelitian ini bertujuan untuk analisis kinerja analisis dari model ketiga tersebut dalam mengklasifikasikan kondisi terumbu dalam kelas sehat, diputihkan, dan mati . MobileNetV2 memberikan hasil terbaik dengan akurasi pelatihan 97%, validasi 88%, dan pengujian 89% untuk klasifikasi terumbu karang.

Downloads

Download data is not yet available.

Author Biography

Ulfa Hidayati, Universitas Gunadarma

Informatika

References

Hadi, T. A., Abrar M., Giyanto., Prayudha B., Johan O., Budiyanto A., Dzumalek A. R., Alifatri L. O., Sulha S. dan Suharsono, “The status of Indonesian coral reef 2019,” Jakarta: research Center for Oceanography, 2020, p. 86

Heron, S.F., Maynard, J.A., Van Hooidonk, R. and Eakin, C.M., “Warming trends and bleaching stress of the world’s coral reefs 1985–2012,” Scientific reports, 6(1), 2016, p.38402.

Jamil, S., Rahman, M., Haider, A., “Bag of features (BoF) based deep learning framework for bleached corals detection,” Big Data and Cognitive Computing, 5(4), 2021, p.53.

Aggarwal, C.C., “Neural networks and deep learning”, Cham: springer, 2018.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z., “Rethinking the inception architecture for computer vision,” In Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 2818-2826.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., Chen, L.C., “Mobilenetv2: Inverted residuals and linear bottlenecks,” InProceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510-4520.

Bengio, Y., Goodfellow, I., & Courville, A, “Deep learning (Vol. 1)”. Cambridge, MA, USA: MIT press, 2017, pp. 5-6.

M. S. Shahab, Achmad Junaidi, and A. N. Sihananto, “Klasifikasi Citra Plankton Dengan Algoritma Hibrida Convolutional Neural Network dan Extreme Learning Machine,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3S1, Oct. 2024, doi: https://doi.org/10.23960/jitet.v12i3s1.5219

M. F. Harby, Eka Dyar Wahyuni, and N. C. Wibowo, “Rekomendasi Strategi Penjualan Bundling Di Cafe Sz Point Menggunakan Algoritma Frequent Pattern Growth,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: https://doi.org/10.23960/jitet.v12i3.4867.

Zilvi Azus Sriyanti, Dhian Satria Yudha Kartika, and A. Rezha, “Implementasi Model BERT Pada Analisis Sentimen Pengguna Twitter Terhadap Aksi Boikot Produk Israel,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: https://doi.org/10.23960/jitet.v12i3.4743.

BHD Corals. Available online: https://www.kaggle.com/sonainjamil/bhd-corals (diakses pada 13 Oktober 2024).

Howard, A.G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M. and Adam, H., 2017. “MobileNets: efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, 126, 2017.

Montesinos López, O.A., Montesinos López, A., Crossa, J., “Multivariate statistical machine learning methods for genomic prediction,” Cham: Springer Nature, 2022.