Kuantifikasi Geoakustik Dasar Laut Menggunakan Teknologi Hidroakustik dan Machine Learning

Abstract

Dasar laut yang tersusun dari material substrat yang berbeda memiliki karakteristik fisik yang berbeda-beda pula. Karakteristik geomorfologi dasar laut tidak hanya terbatas pada tipe sedimen, namun masing-masing tipe sedimen tersebut juga memiliki karakteristik geoakustik yang berbeda-beda pula, sehingga penelitian tentang kuantifikasi geoakustik menjadi penting dan sesuatu yang perlu didalami dengan pengukuran dan identifikasi tipe substrat dasar laut melalui teknologi hidroakustik dan machine learning. Tujuan dari penelitian ini adalah melakukan pengukuran kedalaman laut berdasarkan standar International Hydrography Organization (IHO); kuantifikasi nilai acoustic backscatter dasar laut; komputasi geoakustik dasar laut menggunakan metode machine learning; dan pemetaan spasial substrat dasar laut. Penelitian ini dilakukan di dua lokasi yang berbeda dengan instrumen akustik yang berbeda, yaitu di perairan Pulau Lancang Kepulauan Seribu menggunakan Single Beam Echosounder (SBES) dan di perairan Gunung Anak Krakatau menggunakan Multi Beam Echosunder (MBES). Pengolahan dan analisis data menggunakan motode akustik dan machine learning. Kualitas batimetri hasil pengukuran akustik SBES di peraiaran Pulau Lancang Kepulauan Seribu cukup baik dengan nilai kesalahan pengukuran maksimal sebesar 0,421 meter dengan batas toleransi kesalahan minimum sebesar ± 0,541 meter. Nilai backscatter yang teridentifikasi berada pada selang -28,03 dB sampai dengan -20,02 dB yang terbagi dalam 9 kelas tipe sedimen. Koreksi kualitas data batimetri hasil pengukuran akustik MBES di perairan Gunung Anak Krakatau Selat Sunda baik pada area orde 1b maupun orde 2 menunjukkan bahwa kedua area titik koreksi tersebut hasilnya sangat baik karena nilai kesalahan pengukuran kedalaman pada area kedua orde tersebut maksimal masing-masing sebesar 0,51 meter dan 0,58 meter dengan nilai batas toleransi minimum sebesar ± 0,75 meter dan ± 2,59 meter. Nilai backscatter yang teridentifikasi berada pada selang -59,81 dB sampai dengan -34,86 dB yang terbagi dalam 4 kelas tipe sedimen. Tingkat akurasi komputasi k-NN dan RF yang digunakan memiliki akurasi yang sangat baik yaitu 98,21 % dan 96,43 % dan NB memiliki akurasi yang lebih rendah yaitu 58,93 % pada data akustik SBES. Tingkat akurasi teknik komputasi dari data akustik MBES melalui model k-NN RF, dan NB masing-masing sebesar 95,57 %, 99,37 % dan 53,37 %. Penggunaan teknologi hidroakustik SBES dan MBES memberikan hasil yang lebih akurat dalam pengukuran batimetri dan kuantifikasi geoakustik dasar laut. Instrumen SBES yang memiliki konfigurasi data yang lebih sederhana memberikan hasil yang sama baik dalam perolehan data kuantifikasi hamburbalik akustik dasar laut dengan instrumen MBES yang memiliki konfigurasi data yang lebih kompleks melalui pendekatan perubahan sudut datang yang berbeda pada saat akuisisi data. Proses komputasi yang lebih cepat, efektif dan efisien dengan tingkat akurasi yang tinggi membuat model k-Nearest Neighbour dan Random Forest menjadi suatu alternatif terbaik untuk digunakan sebagai model komputasi geoakustik substrat dasar laut.

The seabed composed of different substrate materials has different physical characteristics. The geomorphological characteristics of the seabed are not only limited to sediment types, but each type of sediment also has different geoacoustic characteristics. That is why research on geoacoustic quantification is improtan to be explored using hydroacoustic technology and machine learning. The purpose of this study was to measure the depth based on International Hydrography Organization (IHO); quantification acoustic backscatter of the seabed; seafloor geoacoustic computation using machine learning methods; and spatial mapping of seafloor substrates. The study was conducted at two different locations with different acoustic instruments, that is in the seawaters of Lancang Island, Seribu Islands using Single Beam Echosounder (SBES) and in the seawaters of Mount Anak Krakatau using Multi Beam Echosunder (MBES). Data processing and analysis using acoustic and machine learning methods. The bathymetric quality of SBES acoustic measurement results in Lancang Island, Seribu Islands is a fairly good because the measurement error at the correction point is a maximum of 0.421 meters with a minimum error tolerance limit of ± 0.541 meters. The identified backscatter acoustic values are at intervals of -28.03 dB to -20.02 dB divided into 9 sediment type groups. Correction of the quality of bathymetry data from MBES acoustic measurements in the seawaters of Mount Anak Krakatau, Sunda Strait, both in the 1b and 2 order areas, showed that the two areas of the correction point were very good because the error values of depth measurements in the areas of the two orders were maximum, respectively 0.51 meters and 0.58 meters with tolerance limit minimum values ± 0.75 meters and ± 2.59 meters. The identified backscatter acoustic values are at intervals of -59.81 dB to -34.86 dB divided into 4 sediment type groups. The accuracy level of k-Nearest Neighbour and Random Forest computational used has very good accuracy of 98.21 % and 96.43 % and Naevi Bayes has a lower accuracy of 58.93 % in SBES acoustic data. The accuracy level of computational techniques from MBES acoustic data through the k-Nearest Neighbour, Random Forest and Naive Bayes models is 95.57 %, 99.37 % and 53.57 % respectively. The use of SBES and MBES hydroacoustic technology provides more accurate results in bathymetric measurements and geoacoustic quantification of the seafloor. SBES instruments that have simpler data configurations provide similar results in the acquisition of seabed acoustic scattering quantification data with MBES instruments that have more complex data configurations through different incidence angle change approaches at the time of data acquisition. Faster, more effective and efficient computational processes with a high accuracy make k-Nearest Neighbour and Random Forest models the best alternative to be used as geoacoustic computational models of seafloor substrates.