Tassakka, Muhammad Irpan Sejati
Unknown Affiliation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Pemodelan Emisi Udara Indikator Perubahan Iklim dari Sampah Laut di Kawasan Taman Nasional Laut: Pantai Sombu, Wakatobi Tassakka, Muhammad Irpan Sejati; Alsita, Indah; Sahari, Sariamin; Runtu, Kezia Gloria Apriliana; Kusuma Admaja, Alfi; Musrianton, Muhammad; Nasrun, Nasrun; Muhajirin, Muhajirin
Prosiding Simposium Nasional Kelautan dan Perikanan Vol. 10 (2023): PROSIDING SIMPOSIUM NASIONAL X KELAUTAN DAN PERIKANAN UNHAS
Publisher : Fakultas Ilmu Kelautan dan Perikanan (FIKP), Universitas Hasanuddin

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sampah laut meningkat secara drastis yang sejalan dengan peningkatan populasi, kunjungan wisatawan, dan eksplorasi sumber daya pesisir dan laut. Wilayah taman nasional laut merupakan studi kasus yang sempurna untuk sampah laut karena memiliki ekosistem yang paling rentan. Pantai Sombu merupakan salah satu kawasan perlindungan laut di Taman Nasional Wakatobi (TNW). Metode pengambilan sampel yang digunakan adalah metode garis pantai NOAA dan pemodelan emisi udara menggunakan aplikasi IWM2. Hasil penelitian menunjukkan bahwa konsentrasi rata-rata sampah laut diperkirakan 0,67 unit dan 0,036 kg per m2 dengan komposisi didominasi oleh jenis plastik yaitu 57,71% berdasarkan jumlah dan 48,74% berdasarkan berat. Jumlah dan komposisi sampah laut diperkirakan menghasilkan emisi udara yang berimplikasi pada perubahan iklim sebanyak 52 kgCO2/tahun; 23 kgCH4/tahun; dan 541 kgGWP/tahun.
Identifikasi Ekosistem Terumbu Karang Menggunakan Aplikasi Coral Point Count with excel extentions (CPCe) di Pulau Wangiwangi, Wakatobi, Indonesia Tassakka, Muhammad Irpan Sejati; Alsita, Indah; Sahari, Sariamin; Muniawati, Istiqomah; Admaja, Alfi Kusuma; Musrianton, Muhammad
Prosiding Simposium Nasional Kelautan dan Perikanan Vol. 10 (2023): PROSIDING SIMPOSIUM NASIONAL X KELAUTAN DAN PERIKANAN UNHAS
Publisher : Fakultas Ilmu Kelautan dan Perikanan (FIKP), Universitas Hasanuddin

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Taman Nasional Wakatobi (TNW) merupakan taman laut terbesar kedua di Indonesia dengan luas total 1,39 juta hektar. Wakatobi merupakan akronim wangi-wangi, kaledupa, tomia dan binongko yang memiliki salah satu keanekaragaman terumbu karang tertinggi dalam konservasi laut di Indonesia. Tujuan dari penelitian ini adalah untuk mengetahui kondisi ekosistem terumbu karang saat ini khususnya di Pulau Wangiwangi. Pemantauan dilakukan di 11 lokasi dengan menggunakan metode Underwater Photo Transect (UPT). Proses analisis menggunakan software CPCe. Hasil penelitian menunjukkan bahwa kondisi terumbu karang di Pulau Wangiwangi tergolong baik dengan tutupan karang (hardcoral) sebesar 53,0%. Jenis terumbu karang dan substrat lainnya adalah Dead Coral (DC) sebesar 1,0%; Dead Coral with Algae (DCA) sebesar 7,7%; Soft Coral (SC) sebesar 12,6%; Sponge (SP) sebesar 1,6%; Fleshy Seaweed (FS) sebesar 4,7%; Other Biota (OT) sebesar 9,8%; Rubble (R) sebesar 4,3%; Sand (S) sebesar 2,7%; dan Rock (RK) sebesar 2,5%. Persentase tutupan karang tertinggi ada di Titik Waha (70,5%) dan terendah ada di Titik Sombu (38,7%).
Multi-Head Attention in Residual Networks to Improve Coral Reef Structure Classification Nuranti, Eka Qadri; Intizhami, Naili Suri; Tassakka, Muhammad Irpan Sejati; Areni, Intan Sari; Al Ghozy, Osama Iyad; Jefri, Muhammad Rivaldi
JOIV : International Journal on Informatics Visualization Vol 8, No 2 (2024)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.8.2.2392

Abstract

Residual Networks (ResNet) mark a crucial advancement in convolutional neural network architecture, effectively tackling challenges like vanishing gradients for improved pattern detection in various image classification tasks. This study introduces a novel adaptation of the ResNet50 architecture that integrates a multi-head attention mechanism (MHA), coined MHA-ResNet50, for discerning coral reef structures within images. Strategic modifications are applied to the input of each stage, leading to the development of an MHA block, which is augmented by separable convolution. The deliberate inclusion of the MHA block at various stages in identity-block Resnet50, in adherence to multiscale gate principles, precedes its traversal through fully connected layers. Furthermore, we implemented the Stratified K-fold concept to ensure that each fold has a comparable proportion of each class. We successfully assessed the efficacy of the MHA-Resnet50 model in several MHA-block placement scenarios and saw improvements in the accuracy of coral reef structure predictions. The most optimal results were achieved by incorporating four attention blocks (MHA-ResNet50-4), yielding an accuracy rate of 85.23% in recognition of coral structure images, comprising a mere 409 images. This model showcases adaptability to small datasets while delivering commendable performance. The ResNet50 architecture undergoes enhancement in our proposed model by integrating multi-head attention, separable convolution, and multiscale gate principles. The MHA-ResNet50 model substantially advances accurately predicting coral reef structures, demonstrating adaptability to limited datasets. Future lines of this research involve digging deeper into the model design and using more significant amounts and classes of data to strengthen a more comprehensive range of generalizations.