<![CDATA[Pada proyek utama dari jurnal ini, yaitupembuatan prototype alat untuk monitoring lobster air laut diAruna, tentu memiliki beberapa permasalahan, salah satunyaadalah tidak jelasnya tampilan video di dalam laut, diantaranyadisebabkan oleh noise dari air laut, kurangnya pencahayaan,dan dominasi warna tertentu dalam laut yang bisamenyebabkan hasil mAP dari model YOLOv7 kurangmaksimal, hal itu dikarenakan penangkaran lobster air lautdisimpan dalam kedalaman sekitar 15 meter, sehinggamemunculkan permasalahan yang telah disebutkan tadi.Berdasarkan permasalahan tersebut penulis berinisiatif untukmenambahkan underwater image enhancement pada sistemmonitoring lobster ini agar dapat memaksimalkan hasil mAPdari model YOLOv7 yang telah di train. Metode ImageEnhancement yang diusulkan untuk dilakukan tahap pengujianadalah Deep Learning and Image Formation Model dan WaterNet. Dari kedua image enhancement tersebut dibandingkanhasil mAP-nya pada proses testing dengan hasil tanpa imageenhancement serta sesama metode image enhancement-nya.Dari hasil pengujian tersebut didapatkan mAP50-95 yangterbaik adalah menggunakan metode image enhancement DeepLearning and Image Formation Model dengan perolehanmAP50-95 0.461. Maka dari itu metode terbaik ini yang dipakaiuntuk proses image enhancement prototype sistem monitoringlobster pada Tambak Aruna. Kata kunci — image enhancement, YOLOv7, Deep Learningand Image Formation Model, Water-Net, lobster]]>
Copyrights © 2024
