PERBANDINGAN HASIL EKSTRAKSI KEDALAMAN PERAIRAN DANGKAL MENGGUNAKAN BATIMETRI BERBASIS SATELIT METODE RANDOM FOREST, ALGORITMA LYZENGA DAN STUMPF
Informasi batimetri terutama wilayah perairan laut dangkal sangat
diperlukan untuk berbagai macam kebutuhan. Survei batimetri konvensional
menggunakan echosounder sulit untuk dilakukan, khususnya perairan laut
dangkal. Perkembangan teknologi penginderaan jauh dapat menjadi alternatif
penyediaan informasi batimetri yaitu disebut batimetri berbasis satelit (BBS).
BBS merupakan teknik dalam bidang penginderaan jauh yang berguna untuk
proses ekstraksi kedalaman laut menggunakan citra satelit. BBS memiliki dua
buah metode yaitu metode analitik dan metode empiris. Metode BBS mengalami
perkembangan yaitu memanfaatkan machine learning dalam operasinya.
Penelitian ini dimaksudkan untuk membandingkan hasil ekstraksi kedalaman
perairan dangkal menggunakan machine learning dengan metode empiris.
Penelitian yang dilakukan menggunakan batimetri berbasis satelit dengan
machine learning dan metode empiris. Metode machine learning yang digunakan
adalah random forest, sedangkan metode empiris yang digunakan adalah
algoritma Lyzenga dan algoritma Stumpf. Pembentukan model ketiga metode ini
memerlukan sejumlah data kedalaman in situ dan citra satelit untuk membentuk
hubungan antara nilai kedalaman dengan nilai reflektan pada citra. Data
kedalaman in situ yang digunakan adalah data batimetri LiDAR, sedangkan data
citra yang digunakan adalah citra satelit Sentinel-2A level 2A yang diakuisisi pada
tanggal 29 Mei 2020. Data kedalaman diakuisisi pada tahun 2020 dan digunakan
sebagai sampel untuk pembentukan model ekstraksi. Model yang diperoleh
digunakan untuk mengekstraksi nilai kedalaman pada citra di wilayah penelitian.
Analisis yang dilakukan adalah membandingkan ketelitian dari ketiga model yang
dihasilkan untuk mendapatkan model terbaik.
Penelitian ini menunjukkan bahwa machine learning memiliki performa
yang lebih baik dari pada metode empiris batimetri berbasis satelit biasa. Random
forest mampu meningkatkan kualitas model dan ketelitian kedalaman yang
diekstrak. Berdasarkan analisis informasi citra terhadap kedalaman yang
didapatkan, kedalaman maksimal yang diperoleh dari citra adalah 10 meter.
Akurasi yang dihasilkan model random forest ditunjukkan dengan nilai root mean
square error (RMSE), koefisien determinasi (R2 ) dan mean absolute error
(MAE). Nilai RMSE, koefisien determinasi dan MAE secara berturut – turut
adalah sebesar 0,570 meter, 0,863, dan 0,387 meter.
URI
https://repo.itera.ac.id/depan/submission/SB2401220073
Keyword
Batimetri Berbasis Satelit, machine learning, rand