Implementasi Mask R-Cnn Pada Perhitungan Persentase Tutupan Karang Untuk Memantau Ekosistem Terumbu Karang

Penulis

  • Cut Nadilla Maretna Universitas Syiah Kuala, Banda Aceh
  • Husaini Universitas Syiah Kuala, Banda Aceh
  • Haekal Azief Haridhi Universitas Syiah Kuala, Banda Aceh
  • Naufal Alkhalis Universitas Syiah Kuala, Banda Aceh
  • Nur Fadli Universitas Syiah Kuala, Banda Aceh
  • Yudi Haditiar Universitas Syiah Kuala, Banda Aceh
  • Muhammad Nanda Universitas Syiah Kuala, Banda Aceh
  • Maria Ulfah Universitas Syiah Kuala, Banda Aceh
  • Kris Handoko Kementerian Kelautan dan Perikanan, Jakarta Pusat
  • Intan Malayana Universitas Syiah Kuala, Banda Aceh
  • Arsa Cindy Safitri Universitas Syiah Kuala, Banda Aceh

DOI:

https://doi.org/10.25126/jtiik.124

Kata Kunci:

Terumbu Karang , Mask R-CNN, Segmentasi, Detectron2, Tutupan Karang, Pemantauan

Abstrak

Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat.

 

Abstract

Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time.

Downloads

Download data is not yet available.

Referensi

AGNEW, C., EISING, C., DENNY, P., SCANLAN, A., VAN DE VEN, P., GRUA, E.M., 2023. Quantifying the Effects of Ground Truth Annotation Quality on Object Detection and Instance Segmentation Performance. IEEE Access, 11, pp.25174–25188. https://doi.org/10.1109/ACCESS.2023.3256723.

AHMAD, J., FARMAN, H., JAN, Z., 2019. Deep Learning Methods and Applications. In: SpringerBriefs in Computer Science. Springer. pp.31–42. https://doi.org/10.1007/978-981-13-3459-7_3.

AKSHAYANIVASHINI & KRISVANTH, 2023. Deep Learning-Based Instance Segmentation of Aircraft in Aerial Images using Detectron2. [online] Available at: <https://ssrn.com/abstract=4485468>.

ALAMSYAH, R., PERMATASARI, A., PRODI, N., SUMBER, M., PERAIRAN, D., TINGGI, S., PERTANIAN, I., SINJAI, M., 2019. Sebaran dan Luasan Terumbu Karang di Perairan Pulau Larearea Menggunakan Citra Landsat 8. Jurnal Agrominansia, .

BELLYNZA, K.A. & SYAPUTRA, H., 2022. Objek Deteksi Burung Lovebird Menggunakan Instance Segmentation Mask R-CNN. 4(1).

BUDI, R., HARIANTO, R.A., SETYATI, E., 2023. Segmentasi Citra Area Tumpukan Sampah Dengan Memanfaatkan Mask R-CNN. Journal of Intelligent System and Computation, [online] 5(1), pp.58–64. https://doi.org/10.52985/insyst.v5i1.305.

DE CARVALHO, O.L.F., DE CARVALHO, O.A., ALBUQUERQUE, A.O. DE, BEM, P.P. DE, SILVA, C.R., FERREIRA, P.H.G., DE MOURA, R.D.S., GOMES, R.A.T., GUIMARÃES, R.F., BORGES, D.L., 2021. Instance segmentation for large, multi-channel remote sensing imagery using mask-RCNN and a mosaicking approach. Remote Sensing, 13(1), pp.1–24. https://doi.org/10.3390/rs13010039.

GONZALEZ, S., ARELLANO, C., TAPIA, J., 2019. DeepBlueBerry: Quantification of Blueberries in the Wild Using Instance Segmentation. https://doi.org/10.1109/ACCESS.2017.DOI.

ISDIANTO, A., FAIRUZ HAYKAL, M., MAHARDIKA PUTRI, B., ADIBAH, F., NUR IHZA MARHAENDRA, Q., KHANSA FADHILAH, R., AKBAR ARCHA PRASETYO, K., BIN AHMAD HAIRUDDIN, Q., ANDRIMIDA, A., ZAIN HARDIYAN, F., Ilmu Kelautan, dan, Brawijaya, U., Studi Ilmu Kelautan, P., Perikanan dan Ilmu Kelautan, F., Bhakti Alam Sendang Biru, Y., Sendang Biru Kampungbaru, J., Malang, K., Teknis, P. and PPP Pondokdadap, U., 2022. Prosiding Seminar Nasional Perikanan dan Kelautan dalam Rangka Memperingati Hari Ikan Nasional (HARKANNAS) Tahun 2021 ISBN.

JUBAEDAH, I. & ANAS, P., 2019. Dampak Pariwisata Bahari Terhadap Ekosistem Terumbu Karang di Perairan Nusa Penida, Bali. Jurnal Penyuluhan Perikanan dan Kelautan, 13(1), pp.59–75. https://doi.org/10.33378/jppik.v13i1.124.

KHATIB SULAIMAN, J., PERMANA SANUSI, A., FARIZA, A. and Elektronika Negeri Surabaya, P., 2023. Klasifikasi Tinggi Badan Menggunakan Metode Mask R-CNN. Indonesian Journal of Computer Science Attribution, 12(4), p.2050.

MAHATIR, M., ADIBRATA, S., UTAMI, E., MANAJEMEN, J. and Perairanfppb-Ubb, S., 2022. Inventarisasi Gangguan Kesehatan Terumbu Karang di Perairan Perlang Bangka Belitung. [online] Available at: <https://journal.ipb.ac.id/index.php/coj;>.

NIE, X., DUAN, M., DING, H., HU, B., WONG, E.K., 2020. Attention Mask R-CNN for ship detection and segmentation from remote sensing images. IEEE Access, 8, pp.9325–9334. https://doi.org/10.1109/ACCESS.2020.2964540.

RADITYA KESATRIA SINAGA, R., MAULID AL-WIRA, R., KURNIAWAN, F., RONI, S., RAHMA HIDAYATI, J., 2023. Kondisi Kesehatan Terumbu Karang di Taman Wisata Perairan Kepulauan Anambas. Akuatiklestari, [online] 6. https://doi.org/10.31629/akuatiklestari.v6i.5010.

RUMKOREM, O.L.Y., KURNIA, R., YULIANDA, F., 2019. Asosiasi Antara Tutupan Komunitas Karang Dengan Komunitas Ikan Terumbu Karang Di Pesisir Timur Pulau Biak, Kabupaten Biak Numfor. Jurnal Ilmu dan Teknologi Kelautan Tropis, 11(3), pp.615–625. https://doi.org/10.29244/jitkt.v11i3.23375.

SOUTER, D., PLANES, S., WICQUART, J., LOGAN, M., OBURA, D., STAUB, F., 2020. Status of Coral Reefs of the World: 2020 Executive Summary.

TATIPATA, K.P.B., MASHORENG, S., PASCASARJANA, , KELAUTAN, I., PERIKANAN, D., HASANUDDIN, U., PERINTIS KEMERDEKAAN, J. and Selatan, M.-S., 2019. The Impact of Coral Conditions on the Structure of the Megabenthos Community Associated with the Coral Reefs of the Spermonde Islands. Torani: JFMarSci, 3(1), pp.37–50.

XU, X., ZHAO, M., SHI, P., REN, R., HE, X., WEI, X., YANG, H., 2022. Crack Detection and Comparison Study Based on Faster R-CNN and Mask R-CNN. Sensors, 22(3). https://doi.org/10.3390/s22031215.

YUNILDA, I.I., GAZALI, M., SURIANI, M., NUFUS, H., 2022. The Coral Reef Cover Percentage at of Pulo Kayee Waters East Bakongan, South Aceh. Jurnal a’ot Ilmu Kelautan, [online] IV. Available at: <http://jurnal.utu.ac.id/JLIK>.

Diterbitkan

29-08-2025

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Implementasi Mask R-Cnn Pada Perhitungan Persentase Tutupan Karang Untuk Memantau Ekosistem Terumbu Karang. (2025). Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(4), 719-728. https://doi.org/10.25126/jtiik.124