KLASIFIKASI HABITAT BENTIK PERAIRAN LAUT DANGKAL MENGGUNAKAN CITRA MULTISPEKTRAL DENGAN PENERAPAN MACHINE LEARNING DAN DEEP LEARNING (STUDI KASUS PERAIRAN KEPULAUAN SERIBU)

Hartoni, Hartoni (2022) KLASIFIKASI HABITAT BENTIK PERAIRAN LAUT DANGKAL MENGGUNAKAN CITRA MULTISPEKTRAL DENGAN PENERAPAN MACHINE LEARNING DAN DEEP LEARNING (STUDI KASUS PERAIRAN KEPULAUAN SERIBU). Doctoral thesis, Institut Pertanian Bogor.

Text DISERTASI_C562150011_HARTONI.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (4MB) | Request a copy

Abstract

Habitat bentik perairan laut dangkal seperti ekosistem terumbu karang dan ekosistem lamun, alga dengan tipe substrat seperti pasir, lumpur, dan pecahan karang merupakan tempat hidup dari berbagai jenis organisme perairan. Ekosistem terumbu karang dan lamun merupakan komponen utama sumberdaya pesisir dan laut di wilayah tropis selain hutan mangrove. Ekosistem terumbu karang dan lamun sangat berperan secara ekologi, ekonomis dan sumber informasi dalam pengembangan berbagai macam penelitian. Habitat bentik seperti ekosistem terumbu karang dan lamun dalam beberapa tahun terakhir banyak mendapat tekanan baik akibat dari perubahan iklim dan tekanan akibat kegiatan manusia. Informasi dalam bentuk peta habitat bentik sangat penting dalam mengambil kebijakan pengelolaan lingkungan pesisir. Teknologi penginderaan jauh yang berkembang sampai saat ini, tidak terlepas dari semakin berkembangnya teknologi satelit yang diluncurkan, dalam hal ini satelit sumber daya alam. Informasi yang disajikan dalam bentuk peta-peta tematik habitat bentik yang dihasilkan dari data penginderaan jauh selain tergantung pada jenis-jenis citra satelit, juga sangat ditentukan metode mendefinisikan objek-objek di habitat itu sendiri. Kompleksitas habitat yang tinggi karena disusun oleh berbagai komponen abiotik dan biotik, menyebabkan sulit ditemukan ekosistem habitat yang sama pada lokasi yang berbeda. Maka diperlukan metode untuk mendefinisikan habitat-habitat atau skema klasifikasi. Selama ini klasifikasi berbasis piksel merupakan teknik yang paling umum diterapkan dalam melakukan pemetaan. Pada dekade terakhir, berkembang pendekatan klasifikasi citra berbasis objek (object based images analysis/OBIA) untuk mengklasifikasikan objek. Pendekatan klasifikasi berbasis objek tidak beroperasi secara langsung pada piksel individu tetapi pada objek yang terdiri dari banyak piksel yang telah dikelompokkan bersama melalui proses segmentasi citra. Selain informasi spektral dan tekstur yang digunakan dalam metode klasifikasi berbasis piksel, karakteristik bentuk dan hubungan lingkungan dapat juga digunakan dalam klasifikasi berbasis objek. Kemajuan ilmu pengetahuan di bidang komputer, khususnya bidang kecerdasan buatan (artificial intelligence/AI), saat ini memberikan manfaat yang sangat besar di berbagai bidang, salah satunya adalah menghemat waktu dan tenaga dalam mengklasifikasikan berbagai jenis lahan jika dibandingkan dengan melakukan itu langsung di lapangan. Citra yang diperoleh dari proses penginderaan jauh dimasukkan ke dalam proses klasifikasi sebagai data masukan. Machine learning dan deep learning adalah dua teknik pembelajaran untuk klasifikasi dan prediksi berbasis AI yang telah banyak digunakan dalam klasifikasi lahan. Tujuan dari penelitian ini adalah 1) Mengkaji skema klasifikasi habitat bentik bentik perairan dangkal yang dapat diterapkan dalam klasifikasi data penginderaan jauh. 2) Mengkaji kemampuan algoritma machine learning dalam klasifikasi habitat bentik perairan dangkal menggunakan citra satelit multispektral. 3) Mengkaji kemampuan algoritma deep learning dalam klasifikasi habitat bentik perairan dangkal menggunakan citra satelit multispektral. Penelitian ini dilaksanakan di perairan dangkal sekitar Pulau Pramuka, Pulau Panggang dan Pulau Karya Kabupaten Kepulauan Seribu. Waktu penelitian Penelitian dilakukan dari bulan Agustus 2018 sampai bulan Juli 2019 yang terdiri dari pengumpulan data lapangan, pengolahan data dan penyusunan disertasi. Metode penelitian terdiri dari pengumpulan data lapangan dengan cara survei lapangan, pengembangan skema klasifikasi dengan pendekatan ekologi kuantitatif berdasarkan analisis pengelompokan secara hirarki (agglomerative hierarchical clustering / AHC), klasifikasi citra menggunakan teknik klasifikasi berbasis piksel dan dikembangkan juga teknik klasifikasi berbasis objek dengan menerapkan machine learning algoritma support vector machine (SVM) dan random forest (RF). Selanjutnya dikembangkan juga teknik klasifikasi berbasis piksel dengan menerapkan deep learning dengan algoritma convolutional neural network (CNN) dengan arsitektur Unet dan tahap akhir dilakukan uji akurasi peta-peta tematik habitat bentik yang dihasilkan dari citra Sentinel 2. Habitat bentik di lokasi penelitian disusun oleh komponen bentik terumbu karang, lamun (lamun tutupan jarang, lamun tutupan sedang, lamun tutupan padat, lamun tutupan sangat padat), alga, pecahan karang dan pasir. Berdasarkan hirarki skema klasifikasi habitat bentik yang dikembangkan dari persentase tutupan komponen bentik menghasilkan 14 kelas habitat dan hanya 8 kelas yang dapat digunakan untuk klasifikasi menggunakan citra satelit. Penggunaan analisis pengelompokan dan nilai kemiripan mempunyai kemampuan yang baik dalam mendefinisikan skema klasifikasi. Klasifikasi habitat bentik menggunakan citra Sentinel 2 dan mengaplikasikan machine learning algoritma klasifikasi RF dan SVM. Klasifikasi habitat bentik berbasis objek dengan algoritma klasifikasi SVM dan RF menghasilkan nilai akurasi keseluruhan (overall accuracy/OA) masing masing sebesar 65% dan 67 % dan nilai kappa masing masing 0,59 dan 0,60. Klasifikasi habitat bentik berbasis piksel dengan algoritma klasifikasi SVM dan RF menghasilkan nilai OA masing masing sebesar 61 % dan 64 % dan nilai kappa masing masing 0,54 dan 0,58. Algoritma klasifikasi RF mampu menghasilkan akurasi pemetaan yang lebih tinggi dibandingkan dengan algoritma klasifikasi SVM pada teknik klasifikasi berbasis objek maupun piksel. Penggunaan citra Sentinel 2 dengan penerapan machine learning algoritma SVM dan RF mampu mengklasifikasikan habitat bentik perairan dangkal dengan baik. Klasifikasi habitat bentik menggunakan deep learning algoritma CNN dengan arsitektur Unet pada citra satelit Sentinel-2 memberikan hasil nilai OA sebesar 74,00 % dan nilai kappa 0,71 untuk mengklasifikasi delapan kelas habitat bentik yang diajukan. Metode klasifikasi dengan deep learning CNN arsitektur Unet pada citra satelit Sentinel-2 ini dapat diterapkan dan mampu mengklasifikasikan habitat bentik perairan laut dangkal dengan baik.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Deep learning, habitat bentik, klasifikasi, machine learning, skema klasifikasi.
Subjects:	G Geography. Anthropology. Recreation > GC Oceanography > GC1000-1023 Marine resources. Applied oceanography
Divisions:	08-Faculty of Mathematics and Natural Science > 54241-Marine Science (S1)
Depositing User:	Hartoni Hartoni
Date Deposited:	03 Jan 2023 04:11
Last Modified:	03 Jan 2023 04:11
URI:	http://repository.unsri.ac.id/id/eprint/85178

Actions (login required)

View Item