DETEKSI DAN KLASIFIKASI GENUS NANOFOSIL UNTUK MENGHITUNG KELIMPAHAN GENUS PADA CITRA MIKROSKOPIS NANOFOSIL

Andi Shafira Dyah Kurniasari, Dr. Eng. Silmi Fauziati, S.T., M.T. ; Dr. Ir. Rudy Hartanto, M.T., IPM.

2025 | Tesis | S2 Teknologi Informasi

Dalam paleoklimatologi, nanofosil dapat digunakan sebagai variabel pertimbangan untuk menentukan analisis perubahan iklim yang telah terjadi di masa lampau. Analisis tersebut biasanya dilakukan secara konvensional dengan menghitung kelimpahan nanofosil pada citra mikroskopis yang mana membutuhkan ahli yang terampil serta menghabiskan banyak waktu. Oleh karena itu, diperlukan penelitian untuk membangun sebuah sistem yang dapat mendeteksi, mengklasifikasi dan menghitung objek dalam citra nanofosil secara otomatis. Sistem deteksi dan klasifikasi berbasis object detection merupakan solusi yang menjanjikan, namun terdapat beberapa tantangan dalam implementasinya. Tantangan tersebut adalah objek dalam citra yang tergolong kecil dan dataset yang tidak seimbang jumlah objeknya tiap kelas. Jika tidak ditangani dengan baik, maka sistem yang dibangun akan menghasilkan model yang kurang andal

Sebagai solusi, penelitian ini membuat sebuah sistem yang dapat melakukan deteksi, klasifikasi dan menghitung jumlah kemunculan nanofosil dari suatu citra mikroskopis nanofosil secara otomatis. Untuk mengoptimalkan sistem tersebut, penelitian ini melakukan serangkaian tahap untuk meningkatkan efektivitas model deteksi nanofosil. Pertama, dataset dikumpulkan dari citra mikroskop polarisasi yang diperoleh dari laboratorium Paleontologi, Departmen Teknik Geologi, FT UGM. Penggunaan dataset primer ini bertujuan agar model yang dihasilkan dapat spesifik terhadap kebutuhan penelitian paleontologi dan merepresetasikan kasus nyata. Kedua, teknik contrast enhancement diterapkan untuk meningkatkan kualitas citra. Selanjutnya objek dalam data train diseimbangkan distribusi kelasnya. Setelah melalui tahap preprocessing, dataset dilatih menggunakan model You Only Looks Once (YOLO) dengan berbagai konfigurasi, termasuk optimalisasi hyperparameter yaitu learning rate dan ukuran citra.

Hasil penelitian menunjukkan bahwa model YOLOv11 X memiliki performa terbaik dalam mendeteksi dan mengklasifikasikan genus nanofosil. Peningkatan citra menggunakan teknik contrast enhancement yang diusulkan berhasil meningkatkan nilai presisi dan recall dibandingkan dengan metode lainnya. Uji coba menunjukkan bahwa kombinasi strategi penyeimbangan dataset, peningkatan kualitas citra, dan optimalisasi hyperparameter menghasilkan peningkatan pada metrik evaluasi. Hal ini termasuk recall, precision, mAP-50 dan mAP50-90 sebesar masing masing 0.919, 0.667, 0.733dan 0.593. Dengan pendekatan ini, sistem deteksi nanofosil berbasis AI dapat mengatasi tantangan dalam analisis paleoklimatologi, memungkinkan proses yang lebih cepat, dan efisien. Implementasi metode ini diharapkan dapat mendukung studi paleotemperatur dengan analisis berbasis data yang mempertahankan presisi dan otomatis, sehingga memberikan kontribusi bagi penelitian paleoklimatologi.

In paleoclimatology, nannofossils can serve as important indicators for reconstructing and analyzing past climate change. Traditionally, such analyses are conducted by manually counting nannofossil abundance from microscopic images—a process that requires skilled experts and is highly time-consuming. Therefore, there is a need to develop an automated system capable of detecting, classifying, and counting nannofossil objects in microscopic images. Object detection-based approaches offer a promising solution; however, their implementation faces several challenges. These include the inherently small size of objects in the images and imbalanced class distributions in the dataset. If left unaddressed, these issues can result in an unreliable detection model.

To address these challenges, this study proposes an automated system for nannofossil detection, classification, and quantification from microscopic images. Several strategies were employed to optimize model performance. First, a primary dataset was collected from polarized light microscope images provided by the Paleontology Laboratory, Department of Geological Engineering, Faculty of Engineering, Universitas Gadjah Mada (UGM). The use of primary data ensures that the resulting model is tailored to paleontological research needs and reflects real-world conditions. Second, a contrast enhancement technique was applied to improve image quality. Additionally, class distribution in the training dataset was balanced to mitigate bias. Following preprocessing, the dataset was trained using the You Only Look Once (YOLO) object detection model with various configurations, including hyperparameter optimization for learning rate and image size.

Experimental results indicate that the YOLOv11 X model achieved the highest performance in detecting and classifying nannofossil genera. The proposed contrast enhancement technique improved both precision and recall compared to alternative methods. Testing further demonstrated that the combination of dataset balancing, image quality enhancement, and hyperparameter optimization led to notable improvements across evaluation metrics, with recall, precision, mAP-50, and mAP50–90 reaching 0.919, 0.667, 0.733, and 0.593, respectively. This approach demonstrates that AI-based nannofossil detection can overcome existing challenges in paleoclimatological analysis, enabling faster and more efficient workflows. Its implementation is expected to support paleotemperature studies through precise, automated, and data-driven analysis, thereby contributing significantly to paleoclimatology research

Kata Kunci : Nanofossil, YOLO, Contrast Stretching, Object Detection, Artificial Intelligence.