KLASIFIKASI TERUMBU KARANG MENGGUNAKAN CNN MOBILENET

Heru Pramono Hadi, Eko Hari Rachmawanto, Christy Atika Sari

Abstract


Terumbu karang merupakan bagian dari ekosistem laut yang indah, namun dibalik keindahan tersebut, terumbu karang juga rentan akan kerusakan ekosistem yang terjadi, yang dimana dapat disebabkan oleh terumbu karang rentan mengalami pemutihan oleh aktivitas yang terjadi di sekitar ekosistem terumbu karang tersebut. Oleh karena itu, diperlukan proses klasifikasi atau pemilahan antara terumbu karang yang terkena pemutihan, sehat ataupun mati sehingga dapat diambil suatu tindakan konservatif yang tidak merusak ekosistem terumbu karang tersebut. Pada penelitian ini, akan dilakukan proses klasifikasi terumbu karang dengan menggunakan metode transfer learning Convolutional Neural Network yaitu dengan arsitektur MobileNet. Dalam proses penelitian ini, akan menggunakan dataset yang berjumlah total 1582 data citra terumbu karang yang memiliki 3 kelas utama dengan sebaran data yaitu 720 data bleached, 150 data dead dan 712 data healthy. Hasil yang didapatkan setelah dilakukannya proses pengujian pada penelitian ini yaitu arsitektur MobileNet mendapatkan akurasi pengujian yaitu sebesar 88%.


Full Text:

PDF

References


Asha Paul, M., Arockia Jansi Rani, P., & Liba Manopriya, J. (2020). Gradient Based Aura Feature Extraction For Coral Reef Classification. Wireless Personal Communications, 114(1), 149–166. Https://Doi.Org/10.1007/S11277-020-07355-6

Barbhuiya, A. A., Karsh, R. K., & Jain, R. (2021). Cnn Based Feature Extraction And Classification For Sign Language. Multimedia Tools And Applications, 80(2), 3051–3069. Https://Doi.Org/10.1007/S11042-020-09829-Y

Bora, M. B., Daimary, D., Amitab, K., & Kandar, D. (2020). Handwritten Character Recognition From Images Using Cnn-Ecoc. Procedia Computer Science, 167, 2403–2409. Https://Doi.Org/10.1016/J.Procs.2020.03.293

Esteva, A., Chou, K., Yeung, S., Naik, N., Madani, A., Mottaghi, A., Liu, Y., Topol, E., Dean, J., & Socher, R. (2021). Deep Learning-Enabled Medical Computer Vision. Npj Digital Medicine, 4(1), 5. Https://Doi.Org/10.1038/S41746-020-00376-2

Hassan, S. M., Maji, A. K., Jasiński, M., Leonowicz, Z., & Jasińska, E. (2021). Identification Of Plant-Leaf Diseases Using Cnn And Transfer-Learning Approach. Electronics, 10(12), 1388. Https://Doi.Org/10.3390/Electronics10121388

Isdianto, A., & Luthfi, O. M. (2020). Identifikasi Life Form Dan Persentase Tutupan Terumbu Karang Untuk Mendukung Ketahanan Ekosistem Pantai Tiga Warna. Briliant: Jurnal Riset Dan Konseptual, 5(4), 808. Https://Doi.Org/10.28926/Briliant.V5i4.537

Muhammad, F., Elfandra, A. B., Amin, I. P., & Wicaksono, A. F. (2023). Pengembangan Model Untuk Mendeteksi Kerusakan Pada Terumbu Karang Dengan Klasifikasi Citra. Buletin Pagelaran Mahasiswa Nasional Bidang Teknologi Informasi Dan Komunikasi, 1(11). Http://Arxiv.Org/Abs/2308.04337

Noviana, L. (2019). Studi Ekosistem Terumbu Karang Di Taman Nasional Kepulauan Seribu. Jurnal Pengelolaan Sumberdaya Alam Dan Lingkungan (Journal Of Natural Resources And Environmental Management), 9(2), 352–365. Https://Doi.Org/10.29244/Jpsl.9.2.352-365

Nur, F., & Fitrah, S. (2022). Penanggulangan Penyebab Terjadinya Pemutihan Terumbu Karang Di Perairan Bulukumba. Seminar Sains Dan Teknologi Kelautan (Sensiste), 1–5.

Rahman, T., Chowdhury, M. E. H., Khandakar, A., Islam, K. R., Islam, K. F., Mahbub, Z. B., Kadir, M. A., & Kashem, S. (2020). Transfer Learning With Deep Convolutional Neural Network (Cnn) For Pneumonia Detection Using Chest X-Ray. Applied Sciences (Switzerland), 10(9). Https://Doi.Org/10.3390/App10093233

Raphael, A., Dubinsky, Z., Iluz, D., & Netanyahu, N. S. (2020). Neural Network Recognition Of Marine Benthos And Corals. In Diversity (Vol. 12, Issue 1). Mdpi Ag. Https://Doi.Org/10.3390/D12010029

Sarvamangala, D. R., & Kulkarni, R. V. (2022). Convolutional Neural Networks In Medical Image Understanding: A Survey. In Evolutionary Intelligence (Vol. 15, Issue 1). Springer Science And Business Media Deutschland Gmbh. Https://Doi.Org/10.1007/S12065-020-00540-3

Sholeh, I., & Wiyono, D. A. (2023). Model Klasifikasi Terumbu Karang Menggunakan Metode Convolutional Neural Network. Doubleclick: Journal Of Computer And Information Technology, 6(2), 77–81. Http://E-Journal.Unipma.Ac.Id/Index.Php/Doubleclick

Sunanda Das, Ofm Riaz Rahman Aranya, & Nishat Nayla Labiba. (2019, May). Brain Tumor Classification Using Convolutional Neural Network. International Conference On Advances In Science, Engineering And Robotics Technology (Icasert 2019).

Taspinar, Y. S., Cinar, I., & Koklu, M. (2022). Classification By A Stacking Model Using Cnn Features For Covid-19 Infection Diagnosis. Journal Of X-Ray Science And Technology, 30(1), 73–88. Https://Doi.Org/10.3233/Xst-211031

Von Chamier, L., Laine, R. F., Jukkala, J., Spahn, C., Krentzel, D., Nehme, E., Lerche, M., Hernández-Pérez, S., Mattila, P. K., Karinou, E., Holden, S., Solak, A. C., Krull, A., Buchholz, T. O., Jones, M. L., Royer, L. A., Leterrier, C., Shechtman, Y., Jug, F., … Henriques, R. (2021). Democratising Deep Learning For Microscopy With Zerocostdl4mic. Nature Communications, 12(1). Https://Doi.Org/10.1038/S41467-021-22518-0

Wang, G., Ye, J. C., & De Man, B. (2020). Deep Learning For Tomographic Image Reconstruction. In Nature Machine Intelligence (Vol. 2, Issue 12, Pp. 737–748). Nature Research. Https://Doi.Org/10.1038/S42256-020-00273-Z

Wang, P., Fan, E., & Wang, P. (2021). Comparative Analysis Of Image Classification Algorithms Based On Traditional Machine Learning And Deep Learning. Pattern Recognition Letters, 141, 61–67. Https://Doi.Org/10.1016/J.Patrec.2020.07.042

Widhiatmoko, M. C., Endrawati, H., & Taufiq-Spj, N. (2020). Potensi Ekosistem Terumbu Karang Untuk Pengembangan Ekowisata Di Perairan Pulau Sintok Taman Nasional Karimunjawa. Journal Of Marine Research, 9(4), 374–385. Https://Doi.Org/10.14710/Jmr.V9i4.27801

Wu, X. Y. (2020). A Hand Gesture Recognition Algorithm Based On Dc-Cnn. Multimedia Tools And Applications, 79(13–14), 9193–9205. Https://Doi.Org/10.1007/S11042-019-7193-4




DOI: https://doi.org/10.30998/semnasristek.v8i01.7177

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: