Klasifikasi Gelembung Gas Menggunakan Multibeam Echosounder dan Machine Learning

Aug 2, 2026

Unggah oleh Sage

Klasifikasi gelembung gas di kolom air menjadi kebutuhan penting untuk pemantauan lingkungan hingga deteksi kebocoran gas bawah laut. Penelitian ini memanfaatkan Multibeam Echosounder dengan pengolahan terstruktur agar data tidak bergantung pada proses manual yang rentan kesalahan dan kurang efisien. Data akustik diproses menggunakan FMMidwater Fledermaus untuk ekstraksi fitur serta analisis kedalaman, lalu dilakukan tagging pada echogram sebagai pelabelan visual untuk input Machine Learning. Model dievaluasi menggunakan confusion matrix menghasilkan metrik akurasi, F1-score, dan koefisien kappa. Random Forest memberikan performa terbaik dengan akurasi 89,02%, disusul SVM 86,76% dan KNN 85,41%.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman8

Waktu Membaca12 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Gelembung gas dan urgensi pendeteksian

Prinsip kerja Echosounder dan keunggulan Multibeam

Kebutuhan otomatisasi dengan Machine Learning

Klasifikasi Gelembung Gas Menggunakan Multibeam Echosounder dan Machine Learning Mochamad Rafif Rabbani1, Henry Munandar Manik2*, Totok Hestirianoto2 1Program Studi Magister Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor 2Departemen Ilmu dan Teknologi Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor Jl. Raya Dramaga Bogor Jawa Barat, 16680 Indonesia Email: [henrymanik@apps.ipb.ac.id](henrymanik@apps.ipb.ac.id) Abstract Gas Bubble Classification Using Multibeam Echosounder and Machine Learning The urgency of detecting gas bubbles in the water column is crucial in various fields, ranging from environmental monitoring to detecting underwater gas leaks. One method that can be used to detect gas bubbles is the Multibeam Echosounder. However, processing Multibeam Echosounder data is prone to human error and inefficient in terms of time, necessitating a more practical approach, such as utilizing Artificial Intelligence, specifically Machine Learning. This study aims to classify gas bubbles using Multibeam Echosounder and Machine Learning and determine the best algorithm. The acquired acoustic data were first processed using FMMidwater Fledermaus software for feature extraction and depth analysis in the water column, followed by target tagging on the echogram as a visual labeling process for Machine Learning model input. Three algorithms were tested: Random Forest, K-Nearest Neighbor, and Support Vector Machine. Model evaluation was conducted using a confusion matrix to generate accuracy, F1-score, and kappa coefficient values. The evaluation results showed that the Random Forest algorithm achieved the highest accuracy of 89.02%, followed by Support Vector Machine with 86.76% and K-Nearest Neighbor with 85.41%. These findings demonstrate that the Machine Learning approach effectively classifies gas bubbles in the water column and distinguishes them from other objects in the water column. Keyword: Multibeam Echosounder, Machine Learning,Confusion Matrix, Karangantu Abstrak Kepentingan pendeteksian gelembung gas di kolom air menjadi urgensi dalam berbagai bidang, misalnya dalam pemantauan lingkungan hingga deteksi kebocoran gas bawah laut. Salah satu metode yang dapat digunakan dalam mendeteksi gelembung gas adalah dengan menggunakan Multibeam Echosounder. Namun, pengolahan data Multibeam Echosounder rawan terjadi human error dan tidak cukup efisien dalam skala waktu, sehingga diperlukanmetode praktis dalam pengolahan data Multibeam, salah satunya adalah dengan menggunakan bantuan Artificial Intelligence, yaitu Machine Learning. Penelitian ini bertujuan untuk mengklasifikasikan gelembung gas dengan menggunakan Multibeam Echosounder dan Machine Learning, serta menentukan algoritma terbaik. Data akustik yang telah diakusisi diolah terlebih dahulu dengan bantuan perangkat lunak FMMidwater Fledermaus untuk ekstraksi fitur dan kedalaman objek di kolom air, serta proses tagging target pada echogram sebagai proses pelabelan secara visual untuk input pada model Machine Learning. Terdapat tiga algoritma yang diuji, yaitu Random Forest, K-Nearest Neighbor dan Support Vector Machine. Evaluasi model menggunakan confusion matrix untuk menghasilkan nilai akurasi, F1-Score dan koefisien kappa. Evaluasi performa model menunjukkan algoritma Random Forest memiliki nilai akurasi tertinggi yaitu 89.02 % diikuti oleh Support Vector Machine dengan akurasi 86. 76% dan K-Nearest Neighbor dengan akurasi 85.41% . Hasil ini membuktikan bahwa pendekatan Machine Learning mampu mengklasifikasikan gelembung gas di kolom air serta dapat membedakannya terhadap objek lain di kolom air Kata kunci: Multibeam Echosounder, Machine Learning, Matrix Confusion , Karangantu PENDAHULUAN Gelembung gas merupakan sebuah fenomena terperangkapnya gas-gas di dalam kolomair yang terbentuk akibat proses-proses baik akibat proses fisika seperti gelombang pecah hinggaaktivitas vulkanik yang terjadi di

Pertanyaan Umum

Mengapa pendeteksian gelembung gas di kolom air penting?

Pendeteksian gelembung gas penting untuk pemantauan lingkungan dan deteksi kebocoran gas bawah laut. Gelembung gas juga dapat menimbulkan dampak tertentu karena perbedaan massa jenis.

Bagaimana data Multibeam Echosounder dipersiapkan untuk Machine Learning?

Data akustik diproses menggunakan FMMidwater Fledermaus untuk ekstraksi fitur dan analisis kedalaman. Selanjutnya dilakukan target tagging pada echogram sebagai pelabelan visual untuk input model.

Algoritma Machine Learning apa saja yang dibandingkan dan mana yang terbaik?

Algoritma yang diuji adalah Random Forest, K-Nearest Neighbor, dan Support Vector Machine. Random Forest menjadi yang terbaik dengan akurasi 89,02%.

Aug 2, 2026

Unggah oleh Sage