Hasil Pencarian  ::  Simpan CSV :: Kembali

"Komoditas kopi dan kakao Indonesia terkendala masalah mutu produk yang rendah akibat kontaminasi jamur penghasil okratoksin. Okratoksin A (OTA) bersifat neprotoksik, imunogenik, karsinogenik dan teratogenik yang membahayakan kesehatan. Karena efek negatif yang diakibatkan oleh mikotoksin ini, maka perlu dikembangkan deteksi dini kontaminasi okratoksin. Pendeteksian awal adanya pertumbuhan jamur pada produk pertanian dan perkebunan adalah kunci pencegahan pertumbuhan dan produksi okratoksin. Penelitian ini bertujuan menghasilkan antibodi imunoglobulin Y (IgY) untuk mengembangkan metode perakitan perangkat deteksi cepat berbasis imunologi untuk deteksi OTA. Hasil penelitian menunjukkan bahwa antibodi poliklonal anti OTA diperoleh dari telur ayam pada periode ke-4 (7 minggu setelah imunisasi awal). Antibodi ini menunjukkan reaktivitas anti OTA dengan metode dot blot immunoassay dan masih menunjukkan reaktivitas anti OTA sampai periode 9 (12 minggu setelah imunisasi awal). Antibodi anti BSA yang dihasilkan harus dihilangkan terlebih dahulu untuk meningkatkan sensitivitas antibodi terhadap okratoksin A dan pemisahan dapat dilakukan dengan penyerapan antibodi BSA. OTA-OVA dapat disintesis dengan metode ester aktif dengan menambahkan N-hidroksisuksiimida dan disiklokarboimida. Karakterisasi senyawa antara pada reaksi ini menunjukkan adanya absorpsi pada frekuensi 1600 cm-1 yang menunjukkan adanya vibrasi ulur ikatan C=O dan adanya banyak absorpsi pada 1300-1000 cm-1 yang mengindikasikan adanya serapan ulur yang kuat ikatan C-O. Konjugat antibodi-nanopartikel emas direaksikan pada kondisi pH optimum 9 dan pengenceran antibodi sebesar 1:7,5 v/v. Pada pengujian dengan spektrofotometer sinar tampak ditemukan adanya pergeseran serapan setelah antibodi dikonjugasikan pada nanopartikel emas sebesar 50 nm. Hasil pengujian pada test trip imunokromatografik masih belum terlihat jelas dan memiliki nilai cut off 10 ppb, tetapi mengindikasikan teknik ini dapat digunakan untuk deteksi kontaminasi okratoksin.

---

Indonesian coffee and cocoa commodities constrained low product quality problem due to contamination of fungal metabolites which accumulated ochratoxin. Ochratoxin A (OTA) is neprotoxic, immunogenic, carcinogenic and teratogenic to human health. Early detection method in post-harvest of coffee and cocoa samples should be developed because of those negative effects. Early detection of fungal growth in agriculture and plantation products is the key to prevent the growth and ochratoxin production. This research aim was to produce antibody to develop a method of assembling the rapid detection device for OTA detection. In this research it could be concluded that the anti OTA polyclonal antibodies could be obtained from chicken eggs in the 4th period (7 weeks after the initial immunization). These antibodies showed anti ochratoxin reactivity using dot blot immunoassay and still showed anti OTA reactivity in 9th period (12 weeks after initial immunization). Anti-BSA antibodies might be removed in order to increase sensitivity to ochratoxin and separation could be conducted using BSA antibody absorption. OTA-OVA could be synthesized using active ester method using N-hydroxysucciimide and dicyclocarboimide. Characterization of the intermediate compound showed C=O stretching vibrational band at 1600 cm-1 and C-O stretching vibrational band at 1300-1000 cm-1. Antibody-nanogold particle conjugate was synthesized in optimum pH 9 and dilution antibody at 1:7.5 v/v. There was 50 nm absorbtion shift in visible absorbtion after the antibody conjugated with nanogold particle. Immunochromatographic test trip testing had not showed the very clear visualization yet dan cut off value 10 ppb, but it indicated this technique could be conducted to detect ochratoxin contamination."

"Kanker leher rahim berada pada kedua tertinggi yaitu 9.2 per 100.000 penduduk, angka kematian rata-rata 9.0 per 100.000 penduduk. Cilegon belum mencapai target pemeriksaan IVA yang ditentukan, tahun 2019 sampai 2022 mencapai 0.99%; 1.78%, 2.05%, dan 2.35%, sehingga belum mencapai target nasional sebesar 80% dan target SPM kesehatan 100% dengan sasaran 71.139 orang. Tujuan penelitian untuk menganalisis capaian deteksi dini kanker leher rahim di Puskesmas Kota Cilegon 2019-2022. Jenis penelitian merupakan penelitian kualitatif dengan desain studi kasus, dilaksanakan pada bulan April – Mei 2023. Hasil penelitian dari sisi komponen hasil (capaian program) deteksi kanker leher rahim di Kota Cilegon periode 2019-2022 belum mencapai target SPM. Dari sisi komponen struktur, SDM, SOP, pendanaan dan sarana prasarana sudah tersedia, tetapi masih ada sedikit kendala pada ketidakseimbangnya jumlah SDM dan target. Dari sisi komponen proses, setiap puskesmas sudah menjalankan proses perencanaan, pelaksanaan, pencatatan, pelaporan, serta monitoring evaluasi sesuai dengan prosedur. Berbagai upaya telah dilakukan untuk memudahkan akses, sosialisasi aktif dilakukan, pendekatan inovatif serta kerjasama lintas program sudah dilakukan dan kerja sama lintas sektor belum menambahkan capaian deteksi dini kanker leher rahim di Puskesmas se-Kota Cilegon secara signifikan, hal ini disebabkan karena ketidaksamaan persepi tentang penghitungan target, belum maksimalnya kegiatan promosi dan advokasi, pendekatan komunikasi yang belum tepat, penggunaan media yang belum efektif, pemanfaatan yang belum maksimal potensi-potensi yang ada di Kota Cilegon sebagai kota industri, serta masyarakat yang takut diperiksa atau tidak tahu tentang pemeriksaan IV A.

---

Cervical cancer ranks second highest at 9.2 per 100,000 population, with an average death rate of 9.0 per 100,000 population. Cilegon has not reached the designated target for IVA screenings, with percentages from 2019 to 2022 reaching 0.99%, 1.78%, 2.05%, and 2.35%, thus not achieving the national target of 80% and the health SPM target of 100%, with a target population of 71,139 individuals. The research objective is to analyze the achievement of early detection of cervical cancer at the Cilegon City Health Center from 2019 to 2022. The research design is qualitative with a case study design, conducted in April - May 2023. The research findings indicate that the program's achievement in detecting cervical cancer in Cilegon City from 2019 to 2022 has not reached the SPM target. In terms of structural components, human resources, standard operating procedures, funding, and infrastructure are already available, but there is still a slight obstacle due to the imbalance between the number of human resources and the target. In terms of process components, each health center has implemented planning, implementation, recording, reporting, and monitoring and evaluation processes according to procedures. Efforts have been made to facilitate access, actively promote awareness, employ innovative approaches, and foster cross-program cooperation, but cross-sector collaboration has not significantly improved the early detection of cervical cancer at the Cilegon City Health Center. This is due to discrepancies in perceptions of target calculation, suboptimal promotion and advocacy activities, inappropriate communication approaches, ineffective media usage, underutilization of potential resources in Cilegon as an industrial city, and a population that is either afraid of or unaware of IVA screenings."

"Kanker leher rahim menempati posisi ketiga dengan jumlah sebanyak 36.633 kasus dan 21.003 kematian (9,0%) setelah jantung koroner dan kanker payudara di Indonesia. Hal ini mendorong pemerintah menempatkan pencegahan dan penanggulangan kanker leher rahim sebagai salah satu prioritas masalah Kesehatan melalui program deteksi dini IVA. Meski sudah memiliki bukti yang kuat bahwa deteksi dini mampu menurunkan angka kematian akibat kanker leher rahim, namun capaian deteksi dini tetap saja rendah. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang berhubungan dengan riwayat kunjungan deteksi dini kanker leher rahim pada WUS di Puskesmas Alianyang Pontianak Tahun 2022 berdasarkan teori multistage model of carcinogenesis oleh Armitage dan Doll. Desain studi yang digunakan adalah potong lintang dengan sumber data sekunder dari catatan medis deteksi dini kanker leher rahim dan kanker payudara. Analisis data dilakukan secara bivariat menggunakan uji chi square. Jumlah sampel penelitian adalah 101 WUS. Hasil penelitian menunjukkan bahwa faktor-faktor yang berhubungan dengan riwayat kunjungan deteksi dini kanker leher rahim adalah pendidikan PR = 2,766 (95% CI: 0,698-7,904) dan frekuensi menikah PR = 4,725 (95% CI: 0,727-30,721). Perlu dilakukan peningkatan pengetahuan masyarakat khususnya WUS mengenai deteksi dini kanker leher rahim dan faktor risikonya baik melalui media berbasis internet, media sosial maupun intervensi langsung ke masyarakat.

---

Cervical cancer occupies the third position with a total of 36,633 cases and 21,003 deaths (9.0%) after coronary heart and breast cancer in Indonesia. This has prompted the government to place prevention and control of cervical cancer as one of the priority health issues through Early Detection using IVA test. Despite of strong evidence that cervical cancer screening results in reducing mortality from the disease, the uptake for cervical screening among Indonesian women remains low. This study aims to determine the factors associated to history of early detection of cervical cancer among women of Reproductive Age in Puskesmas Alianyang Pontianak in 2022 based on the theory of the multistage model of carcinogenesis by Armitage and Doll. This cross-sectional study was conducted using secondary data from medical records of early detection of cervical cancer and breast cancer. Bivariate analysis was performed using the chi square test. The number of research sample was 101 reproductive-aged women. The results showed that the factors associated to history of early detection of cervical cancer were education PR = 2,766 (95% CI: 0,698-7,904) and frequency of marriage PR = 4,725 (95% CI: 0,727-30,721). It is necessary to improve community’s knowledge especially the women in their reproductive age about cervical precancer early detection and related risk factors through internet-based media, social media and direct intervention to the community."

"Ant Colony Optimization (ACO) is a nature-inspired optimization algorithm which is motivated by ants foraging behavior. Due to its favorable advantages, ACO has been widely used to solve several NP-hard problems, including edge detection. Since ACO initially distributes ants at random, it may cause imbalance ant distribution which later affects path discovery process. In this paper an adaptive ACO is proposed to optimize edge detection by adaptively distributing ant according to gradient ana-lysis. Ants are adaptively distributed according to gradient ratio of each image regions. Region which has bigger gradient ratio, will have bigger number of ant distribution. Experiments are conducted using images from various datasets. Precision and recall are used to quantitatively evaluate perfor-mance of the proposed algorithm. Precision and recall of adaptive ACO reaches 76.98% and 96.8%. Whereas highest precision and recall for standard ACO are 69.74% and 74.85%. Experimental results show that the adaptive ACO outperforms standard ACO which randomly distributes ants.

---

Ant Colony Optimization (ACO) merupakan algoritma optimasi yang terinspirasi oleh tingkah laku semut dalam mencari makan. Karena keunggulan yang dimilikinya, ACO banyak digunakan untuk menyelesaikan permasalahan non-polinomial yang sulit, salah satunya adalah deteksi tepi pada citra. Pada tahapan awal, ACO menyebarkan semut secara acak, hal ini dapat menyebabkan ketidak seim-bangan distribusi semut yang dapat mempengaruhi proses pencarian jalur. Paper ini mengusulkan algoritma adaptif ACO untuk mengoptimalkan deteksi tepi pada citra dengan cara menyebarkan se-mut awal secara adaptif berdasarkan analisis gradient. Semut disebarkan berdasarkan perbandingan gradient dari tiap bagian citra. Bagian citra dengan perbandingan gradient yang lebih besar akan men-dapatkan pembagian semut yang lebih banyak dibandingkan bagian lainnya. Percobaan dilakukan pada beberapa citra yang berasal dari berbagai data set. Precision dan recall digunakan sebagai alat untuk mengukur citra keluaran algoritma yang diusulkan secara kuantitatif. Berdasarkan hasil uji co-ba, adaptif ACO mampu mencapai precision dan recall hingga 76.98 % dan 96.8 %. Sedangkan, nilai precision and recall tertinggi menggunakan ACO murni mencapai 69.74% dan 74.85%. Hasil ini me-nunjukkan bahwa adaptif ACO mampu menghasilkan citra keluaran yang lebih baik dibandingkan ACO murni yang sebaran semut awalnya dilakukan secara acak."

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map."

"Tujuan utama dari deteksi perubahan (change detection) adalah untuk mendeteksi perbedaan pada dua citra satelit di wilayah yang sama tetapi diambil pada waktu yang berbeda. Deteksi perubahan merupakan salah satu masalah penginderaan jauh yang cukup sulit karena perubahan yang ingin dideteksi (real-change) bercampur dengan perubahan semu (pseudo-change). Hal ini terjadi akibat adanya faktor perbedaan kecerahan, perbedaan kelembapan, perbedaan musim dan lain-lain yang terdapat pada kedua citra. Kemunculan Vision Transformer (ViT) sebagai model state-of-the-art pada berbagai permasalahan di Computer Vision turut serta menggeser peran Convolution Neural Network (CNN) di bidang deteksi perubahan. Walaupun ViT mampu menangkap interaksi jarak jauh long-range attention dari setiap patch citra, akan tetapi kompleksitas komputasinya meningkat secara kuadratik terhadap jumlah patch. Salah satu solusi untuk mengurangi kompleksitas komputasi pada ViT adalah dengan mereduksi matriks Key (K) dan Values (V) pada mekanisme Self-Attention (SA). Akan tetapi, reduksi tersebut menurunkan efektivitas ViT akibat adanya informasi yang hilang, sehingga terjadi trade-off antara efektivitas dan efisiensi pada metode deteksi perubahan. Untuk mengatasi masalah tersebut, penulis mengembangkan metode deteksi perubahan baru bernama WaveCD dengan memanfaatkan dekomposisi Discrete Wavelet Transform (DWT) untuk mereduksi matriks K dan V. Selain berfungsi untuk mereduksi data, dekomposisi DWT juga berfungsi untuk mengekstraksi fitur-fitur yang penting yang mewakili citra sehingga data awal dapat diaproksimasi melalui proses Inverse Discrete Wavelet Transform (IDWT). Pada dataset CDD, hasil evaluasi WaveCD mencapai kenaikan nilai IoU sebesar 14.7% dan F1-score sebesar 8% terhadap nilai evaluasi metode pembanding, SwinSUNet. Sedangkan pada dataset LEVIR-CD, hasil evaluasi WaveCD mencapai kenaikan nilai IoU sebesar 4% dan F1-score sebesar 2%

---

Change detection is a remote sensing task for detecting a change from two satellite imagery in the same area while being taken at different times. Change detection is one of the most difficult remote sensing tasks because the change to be detected (real-change) is mixed with apparent changes (pseudo-change) due to differences in the two images, such as brightness, humidity, seasonal differences, etc. The emergence of a Vision Transformer (ViT) as a new standard in Computer Vision, replacing Convolutional Neural Network (CNN), also shifts the role of CNN in the field of DP. Although ViT can capture long-range interactions between image patches, its computational complexity increases the number of patches quadratically. One solution to reduce the computational complexity in ViT is to reduce the Key (K) and Values (V) matrices in the Self-Attention(SA) mechanism. However, this reduction also reduces the effectiveness of ViT due to missing information, resulting in a trade-off between the effectiveness and efficiency of the method. To solve the problem, we developed a new change detection method called WaveCD. WaveCD uses Wave Attention (WA) instead of SA. WA uses the Discrete Wavelet Transform (DWT) decomposition to reduce the K and V matrices. Besides reducing the data, DWT decomposition also serves to extract important features that represent images so that the initial data can be approximated through the Inverse Discrete Wavelet Transform (IDWT) process. On the CDD dataset, WaveCD outperforms the stateof-the-art CD method, SwinSUNet, by 14.7% on IoU and 8% on F1-score. While on the LEVIR-CD dataset, WaveCD outperforms SwinSUNet by 4% on IoU and 2% on F1-score."

"Sistem deteksi aritmia otomatis sangat diperlukan karena keterbatsan dokter spesialis jantung di Indinesia. Paper ini akan mendiskusikan secara lengkap tentang studi dan implementasi dari sistem tersebut. Kami menggunakan berbagai macam metode pengolahan sinyal untuk mengenali aritmia berdasarkan sinyal ekg. Bagian utama dari sistem adalah klasifikasi. Kami menggukanakn jaringan syaraf tiruan berbasis LVQ yang meliputi LVQ1, LVQ2, LVQ2.1, FNLVQ, FNLVQ MSA, FNLVQ-PSO, GLVQ dan FNGLVQ. Hasil eksperimen menunjukkan untuk data non round robin tingkat akurasi sistem mencapai 94.07%, 92.54%, 88.09% , 86.55% , 83.66%, 82.29 %, 82.25%, dan 74.62%d berturut-turut untuk FNGLVQ, FNLVQ-PSO, GLVQ, LVQ2.1, FNLVQ-MSA, LVQ2, FNLVQ dan LVQ1. Sedangkan untuk data round robin tingkat akurasi sistem mencapai 98.12%, 98.04%, 94.31%, 90.43%, 86.75%, 86.12 %, 84.50%, dan 74.78% berturut-turut untuk GLVQ, LVQ2.1, FNGLVQ, FNLVQ-PSO, LVQ2, FNLVQ-MSA, FNLVQ dan LVQ1.

---

An automatic Arrythmias detection system is urgently required due to small number of cardiologits in Indonesia. This paper discusses only about the study and implementation of the system. We use several kinds of signal processing methods to recognize arrythmias from ecg signal. The core of the system is classification. Our LVQ based artificial neural network classifiers based on LVQ, which includes LVQ1, LVQ2, LVQ2.1, FNLVQ, FNLVQ MSA, FNLVQ-PSO, GLVQ and FNGLVQ. Experiment result show that for non round robin dataset, the system could reach accuracy of 94.07%, 92.54%, 88.09% , 86.55% , 83.66%, 82.29 %, 82.25%, and 74.62% respectively for FNGLVQ, FNLVQ-PSO, GLVQ, LVQ2.1, FNLVQ-MSA, LVQ2, FNLVQ and LVQ1. Whereas for round robin dataset, system reached accuracy of 98.12%, 98.04%, 94.31%, 90.43%, 86.75%, 86.12 %, 84.50%, and 74.78% respectively for GLVQ, LVQ2.1, FNGLVQ, FNLVQ-PSO, LVQ2, FNLVQ-MSA, FNLVQ and LVQ1."

"This paper presents a lip and smile detection method based-on the normalized RGB chromaticity diagram. The method employs the popular Viola-Jones detection method to detect the face. To avoid the false positive, the eye detector is introduced in the detection stage. Only the face candidates with the detected eyes are considered as the face. Once the face is detected, the lip region is localized using the simple geometric rule. Further, the the red color thresholding based-on the normalized RGB chromaticity diagram is proposed to extract the lip. The projection technique is employed for detecting the smile state. From the experiment results, the proposed method achieves the lip detection rate of 97% and the smile detection rate of 94%.Paper ini menyajikan medote pendeteksi bibir dan senyum berdasarkan diagram tingkat kromatis RGB ternormalisasi. Metode ini menggunakan metode Viola-Jones yang populer untuk mendeteksi wajah. Untuk menghindari kesalahan positif, detektor mata diperkenalkan pada tahapan deteksi. Hanya kandidat wajah dengan mata yang telah terdeteksi yang dianggap sebagai wajah. Setelah wajah dideteksi, bagian bibir ditempatkan dengan menggunakan aturan geometris sederhana. Selanjutnya, batasan warna merah berdasarkan pada diagram kromatisitas RGB ternormalisasi digunakan untuk mengekstrak bibir. Teknik proyeksi digunakan untuk mendeteksi keadaan tersenyum. Dari hasil percobaan, metode yang diusulkan mencapai 97% untuk tingkat deteksi bibir dan 94% untuk tingkat deteksi senyum."

"Indonesia merupakan negara maritim terbesar di dunia dengan banyak sekali ikan yang hidup di perairan Indonesia Hal ini membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan kuota untuk operasi penangkapan ikan serta pemasangan kamera pengawas, namun solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan mencegah terjadinya IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis ikan hasil tangkapan. Sistem dirancang menggunakan konsep object detection dan instance segmentation yang merupakan sebuah bidang dari machine learning, menggunakan toolbox MMDetection dengan algoritma Faster R-CNN dan GFL untuk metode object detection dan algoritma Mask R-CNN untuk metode instance segmentation. Dimana sistem tersebut merupakan model kecerdasan buatan yang dapat melakukan pendeteksian ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP @50 0,758, besar F1-Score 0,761, dan membutuhkan waktu untuk pelatihan selama 7 jam 32 menit. Selain itu, model tersebut juga mendapatkan akurasi yang lebih baik sebanyak 20% dari perbandingan dengan model object detection.

---

Indonesia, as the world's largest maritime country, is home to a vast variety of fish species in its waters. This reality poses numerous threats to Indonesia's fisheries sector. One significant challenge is illegal, unreported, and unregulated (IUU) fishing, which has considerable detrimental effects and causes substantial losses to the Indonesian fisheries industry. Several solutions have been proposed to address this problem, including the implementation of fishing quotas and the installation of surveillance cameras. However, these solutions have not yielded significant impacts in reducing and preventing IUU fishing. Hence, this research aims to develop a fish species detection system. The system is designed based on the concepts of object detection and instance segmentation, which are subfields of machine learning. The research utilizes the MMDetection toolbox with the Faster R-CNN and GFL algorithms for object detection, as well as the Mask R-CNN algorithm for instance segmentation. This artificial intelligence-based system enables the detection of captured fish to monitor the quantity of fish caught by fishermen, thereby significantly reducing IUU fishing. The research's best-performing system employs the instance segmentation model, achieving an mAP@50 score of 0.758, an F1-Score of 0.761, and requires a training time of 7 hours and 32 minutes. Moreover, this model also demonstrates a 20% improvement in accuracy compared to the object detection model."