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

Willdan Aprizal Arifin, La Ode Alam Minsaris, Luthfi Anzani, Tirta Samudera Ramadhani, Marcella Grace Angelique Lubis, Afrizal Dzikrillah, Yulda Yulda, Oki Suprianto

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


References


Ariawan, I., Rosalia, A. A., Anzani, L., Arifin, W. A., & Lukman, L. (2021). Identifikasi Spesies Mangrove Menggunakan Algoritme Random Forest. Jurnal Kemaritiman: Indonesian Journal of Maritime, 2(2), 118-128.

Congalton, R. G., & Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data: principles and practices (Third Edit). CRC Press.

Couronné, R., Probst, P., & Boulesteix, A.-L. (2018). Random forest versus logistic regression: A large-scale benchmark experiment. BMC Bioinformatics, 19(1), 270. https://doi.org/10.1186/s12859-018-2264-5.

Fernández-Delgado, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(90), 3133–3181. https://jmlr.org/papers/volume15/delgado14a/delgado14a.pdf.

Hariyono, M. I. (2022). Klasifikasi Penutup Lahan Menggunakan Data Lidar Dengan Pendekatan Machine Learning (Land Cover Classification Using Lidar Data With Machine Learning Approach). Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, 18(1).

Hartoni, H., Siregar, V. P., Wouthuyzen, S., & Agus, S. B. (2022). Karakteristik Reflektansi Spektral Lamun Menggunakan Data Spektroradiometer di Perairan Kepulauan Seribu. Jurnal Kelautan Nasional, 17(1), 13-26.

Haryati, T., & Hidayat, A. G. (2019). Konsep Wisata dari Perspektif Ekonomi Masyarakat. Jurnal Pendidikan IPS, 9(2), 113-122.

Hendrawan, ., Gaol, J. L., & Susilo, S. B. (2018). Studi Kerapatan Dan Perubahan Tutupan Mangrove Menggunakan Citra Satelit Di Pulau Sebatik Kalimantan Utara. Jurnal Ilmu Dan Teknologi Kelautan Tropis, 10(1), 99–109.

Kurniasih, S., & Tejapermana, P. (2018). Studi Etnografi Perilaku Sosial Anak Di Pulau Sebesi Lampung. Jurnal Caksana: Pendidikan Anak Usia Dini, 1(2), 102-126.

Kurniati, R. A., & Sugara, A. (2023, March). Pemetaan Distribusi Spasial Lamun Dengan Menggunakan Citra Sentinel-2a Di Pulau Kelapa Dua Taman Nasional Kepulauan Seribu Dki Jakarta. In Prosiding Seminar Nasional Hasil Penelitian Kelautan Dan Perikanan (pp. 177-186).

Mardini, D. D., Maulana, A., Lestari, F., Melati, M., & Hertadi, R. (2023). Pengenalan Ekosistem Padang Lamun. Bina Bahari, 2(2), 1-6.

Prasetiyo, B. A., Rochaddi, B., & Satriadi, A. (2019). Aplikasi citra sentinel-2 untuk pemetaan sebaran material padatan tersuspensi di Muara Sungai Wulan Demak. Journal of Marine Research, 8(4), 379-386.

Prayudha, B., & Anggraini, K. (2022). Klasifikasi Habitat Bentik Berdasarkan Citra Sentinel-2 di Kepulauan Kei, Maluku Tenggara. Jurnal Ilmu Pertanian Indonesia, 27(3), 372-384.

Putra, I. G. P. B. A., Putra, I. D. N. N., & Giri, I. N. (2023). Pemetaan Sebaran Habitat Dasar Perairan Laut Dangkal Menggunakan Citra Sentinel-2A di Teluk Gilimanuk. Journal of Marine and Aquatic Sciences, 9(1), 18-28.

Rafsenja, U., Muh, L., Jaya, G., & Rahim, S. (2020). Analisis Perbandingan Citra Landsat 8 dan Citra Sentinel 2-A untuk Mengidentifikasi Sebaran Mangrove. JAGAT (Jurnal Geografi Aplikasi Dan Teknologi), 4(1), 63–70.

Rahman, S., Rahardjanto, A., & Husamah, H. (2022). Mengenal Padang Lamun (Seagress Beds).

Rosalina, D., Irwan, K. H. R., Jamil, K., Surachmat, A., & Utami, E. (2022). Diversity, Ecological Index, and Distribution Pattern of Seagrass in Coastal Waters of North Bali. Journal of Hunan University Natural Sciences, 49(9).

Sangadji, M. S., Siregar, V. P., & Manik, H. M. (2018). Klasifikasi Habitat Perairan Dangkal Menggunakan Logika Fuzzy Dan Maximum Likelihood Pada Citra Satelit Multispektral. Jurnal Ilmu Dan Teknologi Kelautan Tropis, 10(3), 667–681.

Sari, S. N., Nurfaizi, E., Anjeli, Y., & Topano, A. (2023). Peranan Penting Ekosistem Padang Lamun (Seagrass) Dalam Penunjang Kehidupan Dan Perkembangan Biota Laut. GHAITSA: Islamic Education Journal, 4(2), 295-304.

Warahmah, S., Jannah, R., Yolanda, S. D., & Halimatussyadiah, E. (2022). Metode Transplantasi Ekosistem Padang Lamun di Indonesia. Jurnal Pendidikan dan Konseling (JPDK), 4(6), 10129-10137.

Widiastuti, C. P. (2023). Kerapatan Dan Tutupan Lamun Di Pantai Kunjir Lempasing, Desa Sukajaya, Kecamatan Teluk Pandan, Kabupaten Pesawaran, Lampung.

Yudha, F. K., Yulianda, F., & Yulianto, G. (2021). Struktur Komunitas Ikan Terumbu Karang Pada Daerah Perlindungan Laut Di Pulau Sebesi Lampung. JST (Jurnal Sains dan Teknologi), 10(2), 281-287.




DOI: https://doi.org/10.21107/jk.v18i1.25025

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.




 INDEXED BY: