Jurnal Kelautan Nasional
Pengembangan Model Identifikasi Habitat Bentik Menggunakan Pendekatan Segmentasi Object-Based Image Analysis (OBIA) dan Algoritma Machine Learning (Studi Kasus: Pulau Pari, Kepulauan Seribu)
Abstract
Identifikasi dan klasifikasi habitat bentik di perairan dangkal menggunakan citra satelit semakin berkembang. Pengembangan model dalam mengidentifikasi objek habitat bentik sangat penting untuk mengisi kebutuhan pemetaan habitat bentik dengan akurasi yang memadai. Penelitian ini bertujuan untuk mengembangkan model identifikasi habitat bentik dari data citra satelit penginderaan jauh menggunakan metode segmentasi berbasis objek dan algoritma klasifikasi machine learning. Tiga pendekatan klasifikasi digital yang digunakan adalah support vector machine (SVM), decision tree (DT) dan random forest (RF). Ketiga algoritma tersebut diterapkan pada hasil segmentasi citra berbasis objek untuk menguji akurasi dari hasil klasifikasi habitat bentik. Data yang digunakan adalah citra satelit resolusi tinggi SPOT 6 yang diakuisisi pada wilayah Gugus Pulau Pari pada tanggal 20 Mei 2020. Hasil penelitian menunjukkan pendekatan segmentasi berbasis objek membentuk pola segmen yang lebih rapat pada obyek heterogen dibandingkan dengan obyek yang relatif homogen (misalnya obyek daratan dan perairan). Algoritma machine learning yang diterapkan pada hasil segmentasi berbasis objek menghasilkan nilai akurasi keseluruhan (overall accuracy) lebih dari 70% untuk setiap algoritma, dengan rincian hasil adalah 75.83% untuk SVM, 74.17% untuk DT, dan 83.33% untuk RF. Dari ketiga algoritma machine learning yang diterapkan pada hasil segmentasi berbasis objek terlihat algoritma RF memiliki nilai akurasi yang paling baik dibandingkan dengan algoritma lainnya.
Keywords
Full Text:
PDFReferences
Akbari, F. R. (2016). Evaluasi Pengaruh Koreksi Atmosferik Dalam Algoritma Untuk Perhitungan Total Suspended Solid Menggunakan Citra Satelit Landsat 8. Tesis. Faculty of Civil Engineering And Planning, Institut Teknologi Sepuluh Nopember.
Anggoro. A, Siregar V. P., & Agus, S. B. (2015). Pemetaan Zona Geomorfologi Ekosistem Terumbu Karang Menggunakan Metode Obia, Studi Kasus Di Pulau Pari. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, 12(1).
Ardiyanto, R., & Hartono. (2015). Pemetaan Terumbu Karang Menggunakan Metode Klasifikasi Berbasis Objek pada Citra Quickbird-2 Multispektral di Pulau Kemujan, Kepulauan Karimunjawa, Jepara, Jawa Tengah. Jurnal Bumi Indonesia, 4(1), 327-335.
Aryaguna, P. A., & Danoedor, P. (2014). Perbandingan Efektivitas Klasifikasi Berbasis Piksel dan Klasifikasi Berbasis Objek Menggunakan Citra Resolusi Tinggi Dalam Pemetaan Komposisi Floristik (Studi Kasus Gunung Tidar Kota Magelang). Skripsi. Fakultas Geografi UGM.
Astrium. (2013). SPOT 6 & SPOT 7 Imagery - User Guide. France.
Baumstark, R., Duffey, R., & Pu, R. (2016). Mapping seagrass and colonized hard bottom in Springs Coast, Florida using WorldView-2 satellite imagery. Estuarine, Coastal and Shelf Science, 181, 83–92. doi:10.1016/j.ecss.2016.08.019.
Berhane, T. M., Lane, C. R., Wu, Q., Autrey, B. C., Anenkhonov, O. A., Chepinoga, V. V., & Liu, H. (2018). Decision-Tree, Rule-Based, and Random Forest Classification of High-Resolution Multispectral Imagery for Wetland Mapping and Inventory. Remote Sensing, 10(4), 580. https://doi.org/10.3390/rs10040580.
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2-16. https://doi.org/10.1016/j.isprsjprs.2009.06.004.
Breiman, L. (2001). Random Forests. Machine Learning. 45(1), 5-32. doi:1023/A:1010933404324.
Chavez, P. S. (1996). Image-Based Atmospheric Corrections - Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62, 1025-1036.
Gao, C., & Elzarka, H. (2021). The use of Decision Tree based predictive models for improving the culvert inspection process. Advanced Engineering Informatics, 47(January 2021), 101203. doi:10.1016/j.aei.2020.101203
Gislason, P. O., Benediktsson, J. A., Sveinsson, J. R. (2006) Random Forests for land cover classification. Pattern Recognition Letters, 27(4), 294-300.
Green, E., Mumby, P., Edwards, A. J., & Clark, C. D. (2000). Remote Sensing Handbook for Tropical Coastal Management. A. J. Edwards, editor. The United Nations Educational, Scientific and Cultural Organization, Paris.
Hafizt, M., Iswari, M. Y., & Prayudha, B. (2017). Assessment of Landsat-8 Classification Method for Benthic Habitat Mapping in Padaido Islands, Papua. Oseanologi Dan Limnologi Di Indonesia, 2(1), 1–13.
Herdiyeni, Y., Buono, A., & Noorniawati, V. Y. (2007). Klasifikasi Citra Dengan SupportVector Machine Pada Sistem Temu Kembali Citra. Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007.
Ilyas, T. P., Nababan, B., Madduppa, H., & Kushardono, D. (2020). Pemetaan Ekosistem Lamun Dengan Dan Tanpa Koreksi Kolom Air Di Perairan Pulau Pajenekang, Sulawesi Selatan. Jurnal Ilmu dan Teknologi Kelautan Tropis, 12(1), 9-23.
Jhonnerie, R. (2015). Klasifikasi Mangrove Berbasis Objek Dan Piksel Menggunakan Citra Satelit Multispektral Di Sungai Kembung, Bengkalis, Provinsi Riau. Disertasi Institut Pertanian Bogor, 2-5.
Kay, S., Hedley, J. D., & Lavender, S. (2009). Sun Glint Correction of High and Low Spatial Resolution Images of Aquatic Scenes: a Review of Methods for Visible and Near-Infrared Wavelengths. Remote Sensing, 1(4), 697-730.
Kritzer, J. P., DeLucia, Mari-Beth., Greene, E., Shumway, C., Topolski, M. F., Thomas-Blate, J., Chiarella, L. A., Davy, K. B., Smith, K. 2016. The Importance of Benthic Habitats for Coastal Fisheries. BioScience, Volume 66, Issue 4, Pages 274–284, https://doi.org/10.1093/biosci/biw014
Kulkarni, A. D., & Lowe, B. (2016). Random Forest algorithm for land cover classification. International Journal on Recent and Innovation Trends in Computing and Communication, 4(3), 58–63.
Kulsum, I. I., & Khakhim, N. (2018). Aplikasi Penginderaan Jauh dan Sistem Informasi Geografis Untuk Monitoring Perubahan Garis Pantai Di Pesisir Kabupaten Pasuruan, Kabupaten Sidoarjo Dan Kota Surabaya. Jurnal Bumi Indonesia, 7(3).
Lang, S. (2008). Object-based image analysis for remote sensing applications: modeling reality – dealing with complexity. In: Blaschke T., Lang S., Hay G.J. (eds) Object-Based Image Analysis. Lecture Notes in Geoinformation and Cartography. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-77058-9_1
LIPI. (2014). Pemetaan habitat dasar perairan laut dangkal yang dikeluarkan oleh LIPI.
Mastu, L. K., Nababan, B., & Panjaitan, J. P. (2018). Pemetaan habitat bentik berbasis objek menggunakan citra Sentinel-2 di perairan Pulau Wangi-Wangi, Kabupaten Wakatobi. J. Ilmu dan Teknologi Kelautan Tropis, 10(2), 381-396.
Maulik, U., & Chakraborty, D. (2017). Remote Sensing Image Classification: A survey of support-vector-machine-based advanced techniques. IEEE Geoscience and Remote Sensing Magazine, 5(1), 33–52. doi:10.1109/mgrs.2016.2641240
Mori, M., Hirose, Y., Akamatsu, Y., & Li., Y. (2004). Object-based classification of IKONOS data for rural land use mapping. Proceedings of XXth ISPRS Congress 35, 1682-1750.
Nurkhayati, R., & Khakhim, N. (2013). Pemetaan Batimetri Perairan Dangkal Menggunakan Citra Quickbird Di Perairan Taman Nasional Karimun Jawa, Kabupaten Jepara, Jawa Tengah. JURNAL BUMI INDONESIA, 2(2), 140-148.
Phan, T. N., Kuch, V., & Lehnert, L. W. (2020). Land cover classification using google earth engine and Random Forest classifier-the role of image composition. Remote Sensing, 12(15), 2411. DOI:10.3390/rs12152411
Pons, X., Pesquer, L., Cristóbal, J., & González-Guerrero, O. (2014). Automatic and improved radiometric correction of Landsat imagery using reference values from MODIS surface reflectance images. International Journal of Applied Earth Observation and Geoinformation, 33(December 2014), 243-254. doi.org/10.1016/j.jag.2014.06.002
Prabowo, N. W., Siregar, V. P., & Agus, S. B. (2018). Classification of Benthic Habitat Based on Object With SupportVector Machines And Decision Tree Algorithm Using Spot-7 Multispectral Imagery In Harapan And Kelapa Island. Jurnal Ilmu dan Teknologi Kelautan Tropis, 10(1), 123-134. DOI: http://dx.doi.org/10.29244/jitkt.v10i1.21670
Pratama, A., Wihandika, R. C. & Ratnawati, D. E. (2018). Implementasi Algoritme SupportVector Machine (SVM) untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(4), 1704-1708.
Purwanto, A. D., Prayogo, T., & Marpaung, S. (2020). Identifikasi Gosong Karang Mengggunakan Citra Satelit Sentinel 2A (Studi Kasus: Perairan Pesisir Nias Utara). Jurnal Teknologi Lingkungan, 21(1), 95-108.
Purwadhi, S. H., F, Rokhmatuloh., & Haryani Nanik Suryo. (2013). Aplikasi Teknologi Penginderaan Jauh Untuk Pengembangan Wilayah. Jakarta: Departemen Geografi Fakultas MIPA - Universitas Indonesia.
Rodriguez-Galiano, V. F., Chica-Olmo, M., Abarca-Hernandez, F., Atkinson, P. M., & Jeganathan, C. (2012). Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture. Remote Sensing of Environment, 121, 93–107.
Selgrath, J. C., Roelfsema. C., Gergel. A. E., & Vincent. A. C. J. (2016). Mapping for coral reef conservation: comparing the value of participatory and remote sensing approaches. Ecosphere, 7(5), e01325. DOI:10.1002/ecs2.1325
Settouti, N., Bechar, M. E. A., Daho, M. E. H., & Chikh, M. A. (2020). An optimised pixel-based classification approach for automatic white blood cells segmentation. International Journal of Biomedical Engineering and Technology, 32(2), 144-160. doi:10.1504/ijbet.2020.105651
Song, J., Gao, Y., Yin, P., Li, Y., Li Y., Zhang, J., Su, Q., Fu, X., & Pi, H. (2021). The Random Forest Model Has the Best Accuracy Among the Four Pressure Ulcer Prediction Models Using Machine Learning Algorithms. Risk Management and Healthcare Policy, 14, 1175-1187. https://doi.org/10.2147/RMHP.S297838.
Suyanto. (2011). Artificial Intelegent (Cetakan kedua). Informatika: Bandung.
Wahiddin, N. (2015). Klasifikasi ekosistem terumbu karang berbasis objek dan piksel di Pulau Morotai. Disertasi. Institut Pertanian Bogor. Bogor.
Wicaksono, P., Aryaguna, P. A., & Lazuardi, W. (2019). Benthic Habitat Mapping Model and Cross Validation Using Machine-Learning Classification Algorithms. Remote Sensing 11(11), 1279. DOI:10.3390/rs11111279
Wouthuyzen, S., & Abrar, M. Ed. (2020). Gugusan Pulau Pari, Kepulauan Seribu. Jakarta: LIPI Press.
Xi, Y., Taha, A. M. M., Hu, A., & Liu, X. (2022). Accuracy Comparison of Various Remote Sensing Data in Lithological Classification Based on Random Forest Algorithm. Geocarto International. DOI: 10.1080/10106049. 2022.2088859.
Yulianto, F., Nugroho, U. C., Nugroho, N. P., Sunarmodo, W., & Khomarudin, M. R. (2020). Spatial-temporal dynamics land use/land cover change and flood hazard mapping in the upstream Citarum watershed, West Java, Indonesia. Quaestiones Geographicae, 39(1), 125-146. DOI:10.2478/quageo-2020-0010
Zhang, C., Selch, D., Xie, Z., Roberts, C., Cooper, H., & Chen, G. (2013). Object based benthic habitat mapping in the Florida Keys from hyperspectral imagery. Estuarine, Coastal and Shelf Science, 134(1 December 2013), 88-97. https://doi.org/10.1016/j.ecss.2013.09.018
Zoffoli, M., Frouin, R., & Kampel, M. (2014). Water Column Correction for Coral Reef Studies by Remote Sensing. Sensors, 14(9), 16881–16931. doi:10.3390/s140916881
DOI: http://dx.doi.org/10.15578/jkn.v17i2.10377
Copyright (c) 2022 Anang Dwi Purwanto, Andi Ibrahim
Copyright of Jurnal Kelautan Nasional (p-ISSN 1907-767X, e-ISSN 2615-4579)
Pusat Riset Kelautan
Badan Riset dan Sumberdaya Manusia Kelautan dan Perikanan
Kementerian Kelautan dan Perikanan
Index by
