Analisis Metode Klasifikasi Maximum Likelihood dan Support Vector Machine Pada Pemetaan Mangrove
Date
2023Author
Zabrina, Waode Syifa
Arhatin, Risti Endriani
Gaol, Jonson Lumban
Metadata
Show full item recordAbstract
Mangrove merupakan salah satu tumbuhan yang memiliki peranan penting seperti menjadi habitat bagi biota laut serta pelindung garis pantai. Penelitian ini bertujuan untuk mengetahui tingkat akurasi metode klasifikasi Maximum Likelihood (MLH) dengan Support Vector Machine (SVM) berbasis piksel dalam memetakan sebaran mangrove di Pulau Lancang menggunakan citra satelit Sentinel-2A. Algoritma MLH dan SVM digunakan untuk memetakan sebaran mangrove dan kerapatan mangrove dihitung menggunakan algoritma Normalized Difference Vegetation Index (NDVI). Hasil klasifikasi mangrove dengan algoritma MLH sebesar 15 hektar, sedangkan untuk algoritma SVM luasnya 24 hektar. Akurasi yang dihasilkan oleh algoritma MLH dan SVM secara berturut-turut adalah 85,71% dan 92,86%. Luasan sebaran kerapatan mangrove di Pulau Lancang dominan oleh kelas jarang dengan luas 9,54 hektar. Terdapat korelasi kuat antara tutupan kanopi mangrove dengan nilai NDVI. Sebesar 75,7% variabilitas nilai NDVI dipengaruhi oleh persentase tutupan kanopi, sementara sisanya dipengaruhi oleh faktor-faktor lainnya.