Home
Login.
Artikelilmiahs
50253
Update
BAYU ARDIANSYAH
NIM
Judul Artikel
Aplikasi Machine Learning Untuk Peningkatan Akurasi Batimetri Dari Citra Satelit
Abstrak (Bhs. Indonesia)
Pemetaan batimetri merupakan aspek penting dalam pengelolaan sumber daya kelautan. Metode In-situ seperti survei sonar memiliki keterbatasan dalam hal biaya dan cakupan area, sehingga pendekatan alternatif melalui penginderaan jauh berbasis citra satelit menjadi solusi yang efisien. Penelitian ini bertujuan untuk meningkatkan akurasi estimasi batimetri menggunakan algoritma machine learning, yaitu Random Forest (RF) dan Support Vector Machine (SVM), berbasis citra Sentinel-2A. Lokasi penelitian berada di perairan Kepulauan Obi, Halmahera Selatan. Hasil prediksi kedalaman kemudian divalidasi menggunakan data in-situ dan diuji menggunakan metrik MAE, RMSE, dan R². Hasil menunjukkan bahwa algoritma Random Forest memberikan akurasi terbaik dengan nilai MAE 1.1704, RMSE 1.5976, dan R² sebesar 0.8092. Algoritma SVM juga menunjukkan performa yang baik namun masih berada di bawah RF. Dibandingkan dengan algoritma Lyzenga, metode machine learning terbukti lebih unggul dalam menangkap hubungan non-linear antara nilai reflektansi dan kedalaman perairan. Penelitian ini membuktikan bahwa integrasi citra satelit dengan machine learning mampu meningkatkan kualitas pemetaan batimetri secara signifikan dan efisien.
Abtrak (Bhs. Inggris)
Bathymetric mapping is crucial for the management of marine resources. In–situ methods such as sonar surveys face limitations in cost and area coverage, making satellite remote sensing a more efficient alternative. This study aims to improve the accuracy of bathymetry estimation using machine learning algorithms, namely Random Forest (RF) and Support Vector Machine (SVM), based on Sentinel-2A satellite imagery. The study was conducted in the waters of Obi Islands, South Halmahera. Predicted depths were validated using in-situ measurements and evaluated using MAE, RMSE, and R² metrics. The results showed that the Random Forest algorithm achieved the highest accuracy with MAE of 1.1704, RMSE of 1.5976, and R² of 0.8092. While SVM also performed well, its accuracy was slightly lower than RF. Compared to the Lyzenga algorithm, machine learning methods proved more effective in capturing non-linear relationships between reflectance values and water depth. This study demonstrates that the integration of satellite imagery with machine learning significantly enhances the efficiency and accuracy of bathymetric mapping.
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save