Deteksi Otomatis Semburan Gas Dasar Laut pada Citra Kolom Air Multibeam Echosounder Menggunakan Algoritma YOLO

Alfirmansyah, Mochamad Zidan (2026) Deteksi Otomatis Semburan Gas Dasar Laut pada Citra Kolom Air Multibeam Echosounder Menggunakan Algoritma YOLO. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5016221058-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Fenomena semburan gas dasar laut menjadi salah satu indikator keberadaan sumber daya alam yang terkandung didasar laut seperti minyak dan gas alam yang dapat dieksplorasi untuk kebutuhan manusia. Proses eksplorasi semburan gas secara konvensional memerlukan adanya keahlian dan sumber daya waktu yang besar dalam mendeteksi semburan gas secara manual melalui interpretasi visual. Penelitian ini dilakukan untuk mengembangkan model YOLO26 dalam mendeteksi dan mengekstraksi karakteristik semburan gas secara otomatis meliputi lokasi, dimensi, dan nilai hamburan balik. Informasi karakteristik semburan dibandingkan dengan hasil penelitian Nau, dkk tahun 2020 sebagai data aktual. Penelitian ini berhasil mengembangkan model YOLO26 untuk mendeteksi semburan gas pada citra kolom multibeam echosounder dengan akurasi 93,78% dan F1 Score 94,83%. Selain itu, model YOLO26 berhasil mengekstraksi karakteristik semburan gas meliputi lokasi dengan nilai standar deviasi dan RMSE kurang dari 1 meter, dimensi semburan gas dengan nilai RMSE bervariasi dari 1,612 meter hingga 3,530 meter, serta nilai hamburan balik konsisten berada pada rentang antara nilai -25 dB hingga 50dB pada seluruh skenario. Dengan demikian, model YOLO26 yang dikembangkan dalam penelitian ini efektif dalam mendeteksi keberadaan semburan gas dan mengekstraksi karakteristik kuantitatif semburan gas secara otomatis, sehingga dapat menjadi alternatif metode yang efisien untuk melakukan pendeteksian semburan gas secara otomatis.
=====================================================================================================================================
The occurrence of seafloor gas seeps serves as one of the key indicators of naturalresources, such as oil and natural gas, within the seabed that can be explored for human needs.Conventional gas seep exploration requires substantial expertise and time resources for manualdetection through visual interpretation. This study aims to develop a YOLO26 model forautomatically detecting and extracting gas plumes characteristics, including location,dimensions, and backscatter values. The extracted gas plumes characteristics were comparedwith the findings of Nau et al. (2020) as actual reference data. The developed YOLO26 modelsuccessfully detected gas plumes in multibeam echosounder water column imagery with anaccuracy of 93.78% and an F1-score of 94.83%. Furthermore, the model successfully extractedgas plumes characteristics, including location with standard deviation and RMSE values of lessthan 1 m, seep dimensions with RMSE values ranging from 1.612 m to 3.530 m, and backscattervalues consistently within the range of -25 dB to 50 dB across all scenarios. These findingsdemonstrate that the YOLO26 model developed in this study is effective for detecting thepresence of gas plumes and automatically extracting their quantitative characteristics, therebyoffering an efficient alternative method for automated gas plumes detection.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Citra Kolom Air Multibeam Echocounder, Pembelajaran Dalam, Pengelihatan Komputer, Semburan Gas Dasar Laut, You Only Look Once (YOLO), Multibeam Echosounder Water Column Imagery, Deep Learning, Computer Vision, Seafloor Gas Plumes, You Only Look Once (YOLO)
Subjects:	G Geography. Anthropology. Recreation > GC Oceanography Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) V Naval Science > VK > VK388 Sonar
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Mochamad Zidan Alfirmansyah
Date Deposited:	14 Jul 2026 07:41
Last Modified:	14 Jul 2026 07:41
URI:	http://repository.its.ac.id/id/eprint/134842

Actions (login required)

View Item