Implementasi Model YOLOv8 Untuk Deteksi dan Klasifikasi Organisme Laut Berbahaya di Lingkungan Pesisir

Damario Denny Daniswara, . (2026) Implementasi Model YOLOv8 Untuk Deteksi dan Klasifikasi Organisme Laut Berbahaya di Lingkungan Pesisir. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text Cover_123210110.pdf Download (318kB)
	Text Abstrak_123210110.pdf Download (69kB)
	Text Halaman Pengesahan_123210110.pdf Download (9MB)
	Text Daftar Isi_123210110.pdf Download (748kB)
	Text Daftar Pustaka_123210110.pdf Download (351kB)
	Text Fulltext_123210110.pdf Restricted to Repository staff only Download (13MB)

Abstract

Perubahan iklim global dan peningkatan aktivitas manusia di wilayah pesisir telah meningkatkan risiko interaksi antara manusia dengan organisme laut berbahaya, yang diperkirakan mencapai 150 juta insiden sengatan setiap tahunnya. Organisme seperti Portuguese Man o' War, bulu babi (sea urchins), dan gurita cincin biru (blue-ringed octopus) mewakili ancaman ekstrem karena toksisitasnya yang dapat berakibat fatal. Upaya pemantauan tradisional saat ini masih mengandalkan observasi manual yang memiliki risiko kesalahan identifikasi visual tinggi, mengingat karakteristik organisme-organisme tersebut yang sulit dibedakan dari objek lain seperti sampah plastik. Oleh karena itu, dibutuhkan solusi berbasis teknologi yang mampu mendeteksi dan mengklasifikasikan organisme laut berbahaya secara otomatis, akurat, dan efisien di lingkungan pesisir.
Penelitian ini menerapkan model YOLOv8 dengan pendekatan pengembangan sistem waterfall yang mencakup tahap analisis kebutuhan, perancangan, implementasi, pengujian, hingga pemeliharaan. Data diperoleh secara sekunder sebanyak 627 citra dari platform Roboflow, yang terbagi ke dalam empat kelas, yaitu Dangerous-PMOW, Dangerous-Urchin, Dangerous-Octopus, dan Non-dangerous. Tahapan preprocessing meliputi data cleaning, labelling, serta pembagian data dengan proporsi 80% training, 15% validation, dan 5% testing, yang kemudian dilengkapi dengan teknik resize dan augmentasi untuk meningkatkan variasi data pelatihan. Pelatihan model dilakukan pada platform Google Colab menggunakan arsitektur YOLOv8s yang dirancang untuk menjaga keseimbangan antara performa deteksi dan efisiensi komputasi.
Model YOLOv8 yang dikembangkan berhasil mengidentifikasi dan mengklasifikasikan organisme laut berbahaya berdasarkan citra statis secara sistematis. Evaluasi dilakukan menggunakan metrik precision, recall, dan mean Average Precision (mAP), yang menunjukkan efektivitas sistem dalam mendeteksi objek pada berbagai kondisi visual. Implementasi ini menghadirkan alternatif pemantauan dini yang lebih efisien dibandingkan metode manual tradisional, sekaligus memberikan kontribusi berupa referensi teknis bagi pengembang sistem dan pengelola kawasan pesisir dalam membangun sistem peringatan dini (early-warning system) guna mendukung mitigasi risiko keselamatan manusia dan pemantauan ekosistem laut yang berkelanjutan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	DAMARIO DENNY DANISWARA (Penulis-123210110) ; Bagus Muhammad Akbar (Pembimbing)
Uncontrolled Keywords:	YOLOv8, Organisme Laut Berbahaya, Deteksi Objek, Lingkungan Pesisir, Computer Vision
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	04 May 2026 06:05
Last Modified:	04 May 2026 06:05
URI:	http://eprints.upnyk.ac.id/id/eprint/48100

Actions (login required)

View Item