MEDAKA-EL: Kerangka Kerja Ensemble Learning untuk Deteksi Andal Ikan Medaka yang Terancam Punah

Latar belakang. Deteksi otomatis ikan medaka (Oryzias sp.) sangat penting untuk mendukung pemantauan populasi dan konservasi spesies yang terancam punah. Namun, variasi pencahayaan, sudut pengambilan citra, dan kondisi objek yang saling menutupi masih menjadi tantangan yang dapat menurunkan akurasi deteksi. Tujuan. Penelitian ini bertujuan mengembangkan MEDAKA-EL, sebuah kerangka kerja berbasis ensemble learning untuk meningkatkan keandalan deteksi ikan medaka pada berbagai kondisi citra. Metode. Dataset Mixed Medaka Ricefish (MMR) disusun dari foto laboratorium dan citra hasil penelusuran web. Sebanyak 13 model YOLO dibangun dari kombinasi arsitektur YOLOv8, YOLOv9, YOLOv10, dan YOLOv11 dengan berbagai ukuran model serta model hasil 5-fold cross-validation. Prediksi dari model-model tersebut digabungkan menggunakan Non-Maximum Suppression (NMS), Soft-NMS, Non-Maximum Weighted (NMW), dan Weighted Box Fusion (WBF). Hasil. Kerangka kerja MEDAKA-EL mencapai precision, recall, dan F1-score sebesar 0,951 pada confidence 0,25 dan IoU 0,7, dengan mAP0,50 sebesar 0,993, mAP0,50:0,95 sebesar 0,805, dan mAR0,50:0,95 sebesar 0,849. Pendekatan ensemble terbukti mampu mengurangi deteksi yang terlewat dan false positive. Kesimpulan. MEDAKA-EL mampu menghasilkan deteksi ikan medaka yang akurat dan konsisten, sehingga berpotensi menjadi solusi yang andal untuk mendukung pemantauan biodiversitas perairan secara berkelanjutan.