Augmentasi dan Pemodelan Klasifikasi Citra Pertumbuhan Fase Mikroalga dalam medium POME

Putra, Muhammad Risyad Himawan (2026) Augmentasi dan Pemodelan Klasifikasi Citra Pertumbuhan Fase Mikroalga dalam medium POME. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025231205-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Limbah cair Palm Oil Mill Effluent (POME) dari industri kelapa sawit dapat ditangani secara ramah lingkungan melalui proses bioremediasi menggunakan mikroalga. Efektivitas proses ini sangat bergantung pada fase pertumbuhan mikroalga, namun pengamatan visual secara manual sulit dilakukan karena kondisi POME yang keruh pekat serta transisi warna antar fase yang saling tumpang tindih. Kerja praktik ini bertujuan untuk mengotomatisasi klasifikasi enam fase pertumbuhan mikroalga berbasis computer vision guna meningkatkan efisiensi dan objektivitas pemantauan bioremediasi. Tahapan penelitian diawali dengan eksplorasi dan preprocessing menggunakan antarmuka web interaktif (Graphical User Interface/GUI) untuk melakukan filtering serta cropping citra secara presisi, yang dilanjutkan dengan penyesuaian brightness dan saturation hingga 180% untuk memperjelas objek pada kondisi medium limbah yang gelap. Untuk mengatasi ketidakseimbangan dataset dan meningkatkan ketahanan fitur visual, diterapkan serangkaian teknik augmentasi tingkat lanjut yang meliputi Jitter, Diffusion (pembentukan citra sintetis), dan JitterCutmixup. Pemodelan klasifikasi dilakukan dengan mengevaluasi beberapa arsitektur Convolutional Neural Network (CNN), yaitu SimpleCNN, ResNet50, EfficientNet-B3, dan Vision Transformer (ViT). Selain itu, penelitian ini juga membandingkan pengaruh penggunaan ekstraksi fitur dari tiga representasi ruang warna yang berbeda, yaitu RGB, HSV, dan CIELAB. Hasil implementasi dan evaluasi menunjukkan bahwa integrasi antara filtering data yang terarah, skenario augmentasi yang komprehensif, dan ekstraksi fitur multi-ruang warna mampu meningkatkan performa model, dengan akurasi tertinggi mencapai 99,11% pada EfficientNet-B3. Selain itu, penggunaan ruang warna HSV mampu meningkatkan akurasi arsitektur Vision Transformer secara signifikan dari 29% menjadi 97,63% dalam mengklasifikasikan setiap fase pertumbuhan. Sistem ini memberikan solusi yang dapat diimplementasikan untuk mendukung pengelolaan limbah industri berskala besar.

=======================================================================================================================================

Palm Oil Mill Effluent (POME), a wastewater byproduct of the palm oil industry, can be treated in an environmentally friendly manner through bioremediation using microalgae. The effectiveness of this process highly depends on the growth phase of the microalgae. However, manual visual observation is challenging due to the highly turbid nature of POME and the overlapping color transitions between growth phases. This internship project aims to automate the classification of six microalgae growth phases using computer vision to improve the efficiency and objectivity of bioremediation monitoring. The research begins with image exploration and preprocessing through an interactive web-based Graphical User Interface (GUI), which enables precise image filtering and cropping. This is followed by adjusting the image brightness and saturation to 180% to enhance object visibility in the dark wastewater medium. To address dataset imbalance and improve the robustness of visual features, several advanced data augmentation techniques are applied, including Jitter, Diffusion (synthetic image generation), and JitterCutmixup. The classification models are developed by evaluating several Convolutional Neural Network (CNN) architectures, namely SimpleCNN, ResNet50, EfficientNet-B3, and Vision Transformer (ViT). In addition, this study compares feature extraction using three different color space representations: RGB, HSV, and CIELAB. Experimental results demonstrate that the integration of targeted data filtering, comprehensive augmentation strategies, and multi-color-space feature extraction significantly improves model performance, achieving the highest accuracy of 99.11% with EfficientNet-B3. Furthermore, the use of the HSV color space dramatically improves the accuracy of the Vision Transformer architecture from 29% to 97.63% in classifying the microalgae growth phases. The proposed system provides a practical and implementable solution to support large-scale industrial wastewater management.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Augmentasi Citra, ColorFusionNet, Klasifikasi Citra, Mikroalga, POME
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Risyad Himawan Putra
Date Deposited:	11 Jul 2026 12:55
Last Modified:	11 Jul 2026 12:55
URI:	http://repository.its.ac.id/id/eprint/134693

Actions (login required)

View Item