PENERAPAN TEKNIK ENSEMBLE LEARNING UNTUK MENINGKATKAN AKURASI DETEKSI JENIS RUMPUT LAUT MENGGUNAKAN DENSENET-201, XCEPTION, DAN VGG16 (Studi Kasus: Rumput Laut Gracilaria verrucosa dan Kappaphycus alvarezii di Perairan Desa Lontar dan Desa Domas)

Pengenalan spesies rumput laut merupakan hal yang penting untuk pengelolaan
sumber daya kelautan yang berkelanjutan. Rumput laut memiliki peranan vital dalam
ekosistem laut dan ekonomi global, identifikasi manual masih terbatas dalam konsistensi
hasil, standar dokumentasi dan membutuhkan keahlian khusus. Penelitian ini
mengembangkan sistem klasifikasi otomatis dua spesies, Gracilaria verrucosa dan
Kappaphycus alvarezii, menggunakan transfer learning dan teknik weighted average
ensemble untuk meningkatkan akurasi dan efektivitas identifikasi. Tiga arsitektur deep
learning pralatih digunakan yaitu DenseNet201, Xception, dan VGG16. Dataset berisi
3.046 citra lapangan 1.656 Glacilaria verrucosa dan 1.390 Kappaphycus alvarezii,
dengan split data 70% latih, 20% valid dan 10% uji. Pra-pemrosesan meliputi
normalisasi, augmentasi, perubahan ukuran citra menjadi 416 × 416 piksel dan optimizer
menggunakan RMSProp. Ketidakseimbangan kelas diatasi melalui oversampling pada
data latih dan validasi. Evaluasi kinerja menggunakan accuracy, precision, recall, F1-
score dan Confusion Matrix pada dua skenario uji. Pada data uji internal seluruh model
tunggal mencapai akurasi 100%. Pada data uji kedua yang bersifat eksternal dan
bersumber open source kinerja menurun menjadi 92% untuk Xception, 88% untuk
DenseNet201, dan 86% untuk VGG16 yang mencerminkan tantangan generalisasi.
Pendekatan weighted average ensemble dengan bobot masing-masing pada akurasi
validasi sebesar 33.35% untuk Xception, 33.35% untuk DenseNet201, dan 33.30% untuk
VGG16. Penerapan ensemble meningkatkan ketahanan prediksi dengan kombinasi tiga
model Xception + DenseNet201 + VGG16 mencapai akurasi 96% pada data uji kedua
sehingga melampaui model tunggal terbaik, kombinasi Xception + VGG16 serta Xception
+ DenseNet201 memperoleh akurasi 92% dan kombinasi VGG16 + DenseNet201
memperoleh akurasi 90%. Penelitian ini menunjukkan bahwa penggabungan model
efektif meningkatkan akurasi sebesar 4%dan generalisasi deteksi spesies rumput laut,
serta berpotensi mendukung industri rumput laut dan upaya pelestarian sumber daya
kelautan.
Kata kunci: Deteksi Rumput Laut, Ensemble Learning, DenseNet-201, Xception,
VGG16.
x