Pemetaan Lamun Menggunakan Algoritme Machine Learning Dengan Citra Sentinel-2A Di Perairan Pulau Sebesi

Abstract

ABSTRAK

Pulau Sebesi memiliki potensi yang menjanjikan baik di daratan maupun pesisirnya. Wilayah pesisir Pulau Sebesi memiliki ekosistem lengkap yang membuat wilayah tersebut relatif subur dan produktif, seperti ekosistem mangrove, terumbu karang, dan lamun. Lamun merupakan tumbuhan berbunga (angiospermae) yang terdiri atas akar, daun, bunga, rimpang, dan buah yang memiliki peran sangat penting. Jika ekosistem lamun mengalami kerusakan, maka akan berdampak pada ekosistem lainnya di laut karena banyak hewan laut yang siklus hidupnya bergantung pada keberadaan lamun. Pulau Sebesi belum memiliki informasi terbaru terkait luasan lamun beserta klasifikasinya yang dapat dilihat secara visual di pulau tersebut. Tujuan penelitian ini adalah untuk mengkaji sebaran lamun menggunakan machine learning memakai metode MLH dan RF kemudian dibandingakn untuk mendapat model terbaik Metode yang digunakan dalam pemantauan yang berkelanjutan dalam mencegah kerusakan ekosistem lamun, yaitu dengan memanfaatkan teknologi penginderaan jauh. Pemantauan tersebut menggunakan machine learning yang memanfaatkan metode Maximum Likelihood (MLH) dan Random Forest (RF) dengan citra sentinel-2A. Hasil olah citra menunjukkan akurasi lebih baik pada metode RF, yaitu sebesar 83,3% dan MLH sebesar 66.6%. Hal tersebut telah diuji akurasinya menggunakan perhitungan overall accuracy. Berdasarkan hal tersebut, maka klasifikasi RF lebih baik dibandingkan dengan klasifikasi MLH.

Kata kunci: lamun, machine learning, sentinel-2A

ABSTRACT

Sebesi Island has promising potential both on land and in its coastal areas. The coastal area of Sebesi Island has a complete ecosystem that makes the area relatively fertile and productive, such as mangrove ecosystems, coral reefs, and seagrass. Seagrass is a flowering plant (angiosperm) that consists of roots, leaves, flowers, rhizomes, and fruits, and plays a very important role. If the seagrass ecosystem is damaged, it will impact other marine ecosystems because many marine animals have life cycles that depend on the presence of seagrass. Sebesi Island does not yet have the latest information regarding the area and classification of seagrass that can be visually seen on the island. The purpose of this research is to examine the distribution of seagrass using machine learning with the MLH and RF methods, which are then compared to obtain the best model. The method used for sustainable monitoring to prevent damage to the seagrass ecosystem is by utilizing remote sensing technology. This monitoring uses machine learning that applies the Maximum Likelihood (MLH) and Random Forest (RF) methods with Sentinel-2A imagery. The image processing results show better accuracy in the RF method, which is 83.3%, and MLH is 66.6%. These accuracies were tested using overall accuracy calculations. Based on this, the RF classification is better than the MLH classification.

Keywords: seagrass, machine learning, sentinel-2A