<![CDATA[Terumbu karang memiliki beberapa tipe. Sebagai alat bantu untuk mengetahui klasifikasi tipe terumbu karang, maka dibutuhkan sebuah model yang dapat mengenali bentuk dari terumbu karang di Indonesia. Salah satunya dengan menerapkan teknologi ilmu komputasi yang sedang berkembang yaitu object detection. Salah satu metode object detection adalah Convolutional Neural Netwok (CNN) dan akan diterapkan pada penelitian ini. Tujuan dari penelitian ini adalah untuk mendapatkan hyperparameter usulan yang memiliki hasil optimal terhadap klasifikasi terumbu karang pada model serta menguji tingkat nilai akurasi, precision, recall, dan F1-Score untuk melakukan klasifikasi terumbu karang. Pengumpulan data untuk penelitian ini didapatkan dari kegiatan Studi Potensi Hewan Benthic Penyusun Terumbu Karang Beserta Biota Pendukungnya di Pulau Miang Kec. Sangkulirang. Data yang terkumpul kemudian dianalisis dan diuji menggunakan confusion matrix. Hasil pengujian beberapa hyperparameter pada metode CNN didapatkan hasil akurasi tertinggi yaitu pada pengujian menggunakan hyperparameter optimizer Adam, learning rate sebesar (0.0001), batch size (32), fungsi aktivasi ReLU, setelah melakukan perulangan selama 500 epoch, yaitu nilai rata-rata akurasi training sebesar 93%. Hasil pengujian dengan data testing dan analisis yang sudah dilakukan, didapatkan nilai akurasi, precision, recall, dan F1-Score dengan menggunakan model CNN dapat dikatakan kurang baik secara performa. Hal ini ditunjukkan dengan hasil klasifikasi dengan nilai rata-rata precision sebesar 0,7033, nilai rata-rata recall sebesar 0,7133, nilai rata-rata F1-Score sebesar 0,6933, dan nilai akurasi rata-rata setiap jenis sebesar 0,8115. Selain itu, diketahui juga bahwa jumlah epoch dan jumlah data juga mempengaruhi performa klasifikasi pada model yang diuji, terutama pada waktu, nilai akurasi, dan nilai loss.]]>
