Perpustakaan Digital ITB

Dalam karya ini dikembangkan sistem segmentasi bentik berbasis deep learning untuk mendeteksi dan memetakan kategori substrat bentik pada citra transek bawah air di Kepulauan Derawan. Model yang digunakan adalah YOLO, sebuah arsitektur deteksi satu tahap berbasis CNN, yang dioptimalkan dengan pendekatan Bag of Tricks. Dataset dianotasi melalui platform Roboflow dengan anotasi semi otomatis , dan model diarahkan untuk mendeteksi kerangka besi sebagai area of interest (AOI). Hasil deteksi kemudian dibandingkan dengan metode manual menggunakan perangkat lunak CPCe. Pendekatan ini menghasilkan efisiensi waktu analisis rata-rata sebesar 99,39% untuk 50 foto, dengan rata-rata selisih absolut 12,88% dalam estimasi tutupan karang hidup (Hard Coral/HC). Model juga menhasilkan hubungan linier sedang dengan nilai R² = 0,51 dengan estimasi nilai CPCe menggunakan persamaan koreksi: CPCe = 0,7033 × YOLO + 1,1823. Temuan ini menunjukkan bahwa integrasi model YOLO dan strategi optimasi sederhana dapat menjadi solusi praktis dalam pemantauan terumbu karang berbasis citra.