<mods:mods version="3.3" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd" xmlns:mods="http://www.loc.gov/mods/v3" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><mods:titleInfo><mods:title>Optimalisasi Klasifikasi Warna Badan Air dengan Convolutional Neural Network melalui Reduksi Kelas Skala Forel-Ule</mods:title></mods:titleInfo><mods:name type="personal"><mods:namePart type="given">Budi</mods:namePart><mods:namePart type="family">Prasetyo</mods:namePart><mods:role><mods:roleTerm type="text">author</mods:roleTerm></mods:role></mods:name><mods:abstract>Klasifikasi warna badan air merupakan indikator penting dalam menilai kualitas ekosistem perairan. Skala Forel-Ule yang terdiri dari 21 kelas telah lama digunakan untuk mengklasifikasikan warna air, namun penerapannya dalam model pembelajaran mesin seperti Convolutional Neural Network (CNN) menghadapi tantangan signifikan, terutama dalam hal kompleksitas multikelas, kemiripan visual antar kelas, dan distribusi data yang tidak seimbang. Penelitian ini bertujuan untuk mengoptimalkan proses klasifikasi warna badan air berbasis citra dengan menerapkan strategi reduksi kelas pada skala Forel-Ule. Data diperoleh dari platform EyeOnWater yang menyediakan 3.018 citra badan air terklasifikasi. Seluruh gambar di-preprocessing melalui teknik resizing, normalisasi, dan augmentasi sebelum dilatih menggunakan arsitektur CNN custom. Dua model dikembangkan, yakni model klasifikasi 21 kelas dan model dengan hasil reduksi menjadi 3 kelas berdasarkan status trofik perairan (oligotrofik, mesotrofik, dan eutrofik). Hasil evaluasi menunjukkan bahwa model dengan 3 kelas menghasilkan akurasi 94%, jauh lebih tinggi dibandingkan model 21 kelas yang hanya mencapai 44,3%. Temuan ini membuktikan bahwa reduksi kelas tidak hanya menyederhanakan kompleksitas klasifikasi, tetapi juga meningkatkan akurasi dan interpretabilitas ekologis hasil klasifikasi. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem pemantauan kualitas air berbasis citra yang efisien, akurat, dan relevan secara ekologis.</mods:abstract><mods:classification authority="lcc">T Technology (General)</mods:classification><mods:originInfo><mods:dateIssued encoding="iso8601">2025</mods:dateIssued></mods:originInfo><mods:originInfo><mods:publisher>Universitas Negeri Padang;Teknik Elektronika FT UNP</mods:publisher></mods:originInfo><mods:genre>Thesis</mods:genre></mods:mods>