Pengembangan Model Penghitungan Otomatis pada Mikroalga Spirulina platensis dan Chlorella vulgaris Berbasis Citra Mikroskop dan Convolutional Neural Network Menggunakan YOLOv8

Ramadhani, Zahra Cahya and Dr.Agr.Sc. Ir. Dimas Firmanda Al Riza,, ST., M.Sc., IPM and Prof. La Choviya Hawa,, STP., MP., Ph.D. (2024) Pengembangan Model Penghitungan Otomatis pada Mikroalga Spirulina platensis dan Chlorella vulgaris Berbasis Citra Mikroskop dan Convolutional Neural Network Menggunakan YOLOv8. Sarjana thesis, Universitas Brawijaya.

Abstract

Mikroalga merupakan organisme mikroskopis bersel tunggal (uniseluler) yang hidup di perairan laut maupun perairan tawar. Mikroalga seperti Spirulina platensis dan Chlorella vulgaris berpotensi menjadi sumber bahan baku pembuatan bioenergi sehingga mulai banyak dikultivasi. Pada kultivasi mikroalga, umumnya pemantauan jumlah atau kepadatan sel mikroalga masih dilakukan secara manual menggunakan hemositometer yang diletakkan di mikroskop. Metode manual ini tentunya memakan waktu yang lebih lama dan rentan human error. Penelitian ini bertujuan untuk mengembangkan model deteksi objek berbasis citra mikroskop dan Convolutional Neural Network menggunakan arsitektur YOLOv8 untuk identifikasi dan penghitungan jumlah mikroalga Spirulina platensis dan Chlorella vulgaris secara efisien. Metodologi penelitian mencakup persiapan sampel (pengenceran dan pengukuran optical density mikroalga), penentuan kepadatan mikroalga terbaik, akuisisi citra, anotasi citra, pembuatan dataset citra, pelatihan model YOLOv8, dan evaluasi kinerja model. Penentuan kepadatan sel mikroalga yang tepat bertujuan untuk mendapatkan data citra mikroskopis yang baik. Akuisisi data citra mikroalga Spirulina platensis dan Chlorella vulgaris dilakukan menggunakan mikroskop binokuler dan menghasilkan 560 gambar asli yang kemudian dianotasi menggunakan platform Roboflow. Model YOLOv8n, YOLOv8s, dan YOLOv8m dilatih menggunakan default hyperparameter di platform Google Colaboratory untuk mengetahui pengaruh augmentasi citra terhadap akurasi model. Evaluasi kinerja model dilakukan pada model YOLOv8 terpilih dan dilatih dengan variasi hyperparameters untuk dianalisis nilai mean Average Precision (mAP50). Hasil penelitian menunjukkan bahwa kepadatan mikroalga terbaik berada pada kisaran 0,172-0,212 melalui pengenceran bertingkat dan 0,136-0,148 melalui pengenceran berbasis konsentrasi. Kemudian, augmentasi citra berupa crop, brightness, dan blur mampu menghasilkan mAP train dan test tertinggi pada model YOLOv8m, dimana nilai mAP train sebesar 0,945 dan mAP test sebesar 0,913. Model YOLOv8m ini dilatih kembali dengan variasi hyperparameters dan didapatkan konfigurasi hyperparameter terbaik pada optimizer SGD, epoch 50, dan learning rate 0,01 dengan hasil akurasi kinerja model berupa mAP train sebesar 0,934 dan mAP test sebesar 0,925. Namun, model juga dapat di-training melalui 29 epoch dan menghasilkan akurasi 0,85351 yang lebih baik dalam memperkecil overfitting serta menghemat waktu dan beban komputasi. Kesimpulannya, penelitian ini dapat mempermudah peneliti maupun industri dalam melakukan penghitungan jumlah mikroalga secara otomatis. Terlebih lagi, penelitian ini dapat dikembangkan untuk mempermudah analisis citra mikroskopis yang lebih luas.

English Abstract

Microalgae are microscopic single-celled (unicellular) organisms that live in marine and freshwater. Microalgae such as Spirulina platensis and Chlorella vulgaris are being intensively grown due to their potential as a source of raw materials for bioenergy production. During microalgae cultivation, typically, hemocytometers placed on microscopes are used to manually count the microalgae cells. This manual method is more time-consuming and prone to human error. This research aims to develop an object detection model based on microscopic images and Convolutional Neural Network using YOLOv8 architecture to effectively identify and count Spirulina platensis and Chlorella vulgaris automatically. The research methodology includes sample preparation (dilution and optical density measurement), determination of the best microalgae density, image acquisition, image annotation, creation of image datasets, YOLOv8 model training, and model performance evaluation. Determination of the best microalgae density aims to obtain good microscopic images. Image acquisition of Spirulina platensis and Chlorella vulgaris was carried out using a binocular microscope and acquired 560 original images which were then annotated using the Roboflow platform. The YOLOv8n, YOLOv8s, and YOLOv8m models were trained using default hyperparameters on the Google Collaboratory platform to determine the effect of image augmentation on model accuracy. Model performance evaluation was carried out on selected YOLOv8 models and trained with various hyperparameters to analyze the mean Average Precision (mAP50) value. The results showed that the optimal microalgae density was found to be between 0.172 to 0.212 using serial dilution and 0.136 to 0.148 using concentration-based dilution. Then, image augmentation in the form of crop, brightness, and blur get the highest mAP train and test on the YOLOv8m model, where the mAP train is 0.945 and the mAP test is 0.913. The YOLOv8m model was retrained with various hyperparameters and it was found that the best configuration was the SGD optimizer, epoch 50, and learning rate 0.01 with the results of mAP train is 0.934 and mAP test is 0.925. However, the model can also be trained through 29 epochs, yielding a better model with accuracy of 0.85351, thus minimising overfitting and computational load, also time-saving. It can be concluded that this research can facilitate the automatic counting of microalgae for microalgae-related research and industry. Furthermore, this research has the potential for simplification to the analysis of a broader range of microscopic images.

Item Type:	Thesis (Sarjana)
Identification Number:	052410
Uncontrolled Keywords:	deep learning, deteksi objek, mikroalga, YOLOv8
Divisions:	Fakultas Teknologi Pertanian > Keteknikan Pertanian
Depositing User:	Unnamed user with username nova
Date Deposited:	06 Mar 2024 06:25
Last Modified:	06 Mar 2024 06:25
URI:	http://repository.ub.ac.id/id/eprint/216922

Text (DALAM MASA EMBARGO) ZAHRA CAHYA RAMADHANI.pdf Restricted to Registered users only Download (5MB)

Actions (login required)

View Item