Perpustakaan Digital ITB

Indonesia memiliki potensi besar dalam sektor perikanan tangkap, namun estimasi biomassa ikan melalui survei hidroakustik masih menghadapi kendala mendasar, terutama pada kondisi perairan multispesies yang menyebabkan pantulan sonar saling tumpang tindih dalam satu kelas akustik. Karakteristik ini membuat interpretasi echogram bersifat tidak konsisten, rentan bias, dan sangat bergantung pada proses manual yang memakan waktu. Kondisi tersebut diperburuk oleh keterbatasan dataset berlabel akibat proses anotasi yang lama dan kebutuhan tenaga ahli, sehingga distribusi kelas biomassa menjadi tidak seimbang dan representasi spasial berkurang. Dalam konteks kebijakan pengelolaan sumber daya ikan yang menuntut estimasi biomassa yang akurat di wilayah Indonesia, permasalahan tersebut menegaskan kebutuhan akan pendekatan komputasional yang lebih adaptif, efisien, dan mampu mengurangi subjektivitas analisis. Penelitian ini mengembangkan model segmentasi semantik berbasis deep learning dengan arsitektur U-Net untuk meningkatkan generalisasi model pada data hidroakustik multispesies di Perairan Indonesia. Pendekatan difokuskan pada peningkatan kualitas data melalui pengembangan anotasi otomatis, penetapan parameter resampling yang sesuai dengan karakteristik kolom perairan lokal, penambahan kanal spasial, serta penerapan strategi penyeimbangan kelas (NearMiss, Oversampling, Crop-Centered, dan data sintetis berbasis Generative Adversarial Network). Strategi ini dirancang untuk mengatasi bias distribusi kelas, mengurangi sensitivitas model terhadap noise dasar perairan (demersal), dan menyediakan konfigurasi pelatihan yang lebih stabil pada lingkungan akustik dengan variabilitas tinggi. Hasil penelitian menunjukkan bahwa konfigurasi resampling vertikal 400 cm memberikan peningkatan kinerja yang paling konsisten, dengan f1-score mencapai 0.77 dan melampaui parameter 140 cm maupun 200 cm. Pada tahap pelatihan, teknik penyeimbangan kelas berbasis data sintetis melalui Generative Adversarial Network menghasilkan nilai f1-score tertinggi sebesar 0.83, namun evaluasi pada himpunan data uji memperlihatkan bahwa strategi Crop-Centered memiliki kemampuan generalisasi yang lebih stabil dengan f1-score 0.68 serta peningkatan signifikan pada kelas demersal dari 0.29 (baseline) menjadi 0.64 pada model hasil optimasi. Temuan ini diperkuat oleh analisis varians, yang mengindikasikan bahwa strategi penyeimbangan kelas berkontribusi sebesar 27.85% terhadap variabilitas performa model, sedangkan faktor arsitektur berkontribusi 42.05%. Estimasi biomassa melalui segmentasi semantik berada pada rentang 0.006–0.2113 kg/m² dengan nilai root mean square error 0.07, mendekati ground truth dan secara signifikan lebih akurat dibandingkan pendekatan konvensional (15.92), menunjukkan bahwa pendekatan yang diusulkan memiliki stabilitas dan kapasitas generalisasi yang lebih baik dalam pengolahan data hidroakustik multispesies di perairan Indonesia.