Analisis Performa Deteksi Dan Segmentasi Berbasis YOLO Pada Rov Untuk Inspeksi Keramba Jaring Apung Akuakultur

Abstract

KJA (Keramba Jaring Apung) pada akuakultur laut rentan mengalami kerusakan berupa lubang jaring dan vegetasi yang menurunkan struktural jaring, sehingga diperlukan metode inspeksi bawah air yang efektif menggunakan ROV (Remotely Operated Vehicle) yang diintegrasikan dengan deep learning berbasis YOLO. Penelitian ini bertujuan menganalisis performa deteksi dan segmentasi objek lubang jaring dan vegetasi pada KJA menggunakan arsitektur YOLO 11, YOLO 12, dan YOLO 26 varian nano yang diimplementasikan pada ROV berbasis Raspberry Pi 5. Penelitian menggunakan dataset aqua_net dari Roboflow sejumlah 3.061 data yang terdiri atas 2.661 objek lubang jaring dan 400 objek vegetasi, dengan pembagian 2.143 citra data latih, 612 citra data validasi, dan 306 citra data uji. Tahapan penelitian meliputi pencarian parameter optimal melalui hyperparameter auto-tuning, pelatihan model, pengujian performa model, pengujian berbagai format inferensi, serta pengujian langsung pada ROV di lingkungan perairan. Hasil tuning menghasilkan parameter optimal berupa laju pembelajaran awal 0,007 dan momentum 0,9 pada iterasi ke-9 dengan best fitness sebesar 0,64736, menghasilkan precision 89,479%, recall 87,116%, mAP (mean Average Precision)@0,5 sebesar 92,38%, dan mAP@0,5;0,95 sebesar 64,736%. Penurunan resolusi citra menjadi 320 piksel tetap mempertahankan akurasi di atas 0,920 mAP50. Format MNN (Mobile Neural Network) terbukti paling optimal dengan 25 FPS (Frame Per Second) pada YOLO 26n-det. Pengujian pada ROV menghasilkan YOLO 26n-det format MNN sebesar 25,1 FPS dengan latency 39,9 ms, dan YOLO 26n-seg format MNN sebesar 14,9 FPS dengan latency 67,3 ms, dengan jarak deteksi efektif pada rentang 30–50 cm. Berdasarkan hasil tersebut, YOLO 26n dengan format MNN direkomendasikan sebagai model dan format terbaik untuk implementasi deteksi dan segmentasi objek pada ROV inspeksi KJA di lingkungan bawah air.