Instance Segmentation Rumput laut dengan Metode Longline Menggunakan Citra UAV dan Detectron2

Abstract

Target produksi budidaya rumput laut di Indonesia saat ini terus meningkat, didukung oleh luas lahan yang masih berpotensi dimanfaatkan sebagai lahan budidaya rumput laut dan kebutuhan pasar baik di dalam maupun luar negri. Dukungan teknologi untuk memonitoring secara intensif dan ekstensif diperlukan agar produksi dapat tercapai untuk memenuhi kebutuhan pasar tersebut. Tujuan dari penelitian ini adalah untuk mendeskripsikan hasil akuisisi dan mengetahui sejauh mana kemampuan unmanned aerial vehicle (UAV) jenis multirotor untuk mendeteksi pertumbuhan rumput laut yang ditinjau dari efisiensi teknologi, tingkat akurasi dan biaya. Daerah yang akan dikaji merupakan daerah budidaya dengan karakteristik perairan dangkal (< 10 m) dengan substrat dasar perairan pasir berlumpur. Metodologi penelitian terdiri atas akuisisi data menggunakan UAV jenis multirotor, visualisasi dan proses pengolahan citra menggunakan deep learning framework detectron2 dengan algoritma mask RCNN dan platform cloud base. Hasil penelitian ini menunjukan dengan iterasi sebanyak 600 detectron2 mampu untuk mendeteksi rumput laut dengan baik walaupun akurasi yang didapatkan masih lebih rendah dibandingkan dengan iterasi lebih dari 600 tetapi dengan waktu pelatihan yang lebih singkat dan belum terjadi overfitting menjadi nilai lebih. Selanjutnya dalam tulisan ini akan disampaikan kelebihan dan kekurangan dari pemanfaatan deep learning dengan framework detectron2 menggunakan citra UAV ini dalam mendeteksi rumput laut dan bagaimana mengoptimalkan kemampuan dan menyiasati kelemahan ftamework tersebut.