Dinamika Spasio-Temporal Ekosistem Mangrove Pascatsunami Berbasis Machine Learning dan Geospasial di Kepulauan Nias dan Sekitarnya

Abstract

Peristiwa gempa bumi dan tsunami yang melanda Kepulauan Nias pada 26 Desember 2004 dan 28 Maret 2005 telah menyebabkan perubahan signifikan terhadap struktur dan fungsi ekosistem mangrove. Namun, kajian berbasis penginderaan jauh yang menganalisis dinamika spasial-temporal mangrove di wilayah ini masih terbatas. Selain itu, pendekatan yang membangun model deteksi berbasis satu waktu referensi (single-year model) untuk merekonstruksi kondisi historis mangrove pada periode sebelumnya juga belum banyak dikembangkan. Penelitian ini menawarkan kebaruan melalui pengembangan model klasifikasi berbasis satu tahun acuan yang digunakan untuk menelusuri dan merekonstruksi dinamika perubahan mangrove secara multitemporal. Penelitian ini bertujuan untuk menganalisis perubahan spasial-temporal tutupan mangrove sebelum dan sesudah peristiwa gempa dan tsunami, mengembangkan serta mengevaluasi model pembelajaran mesin berbasis algoritma pohon keputusan (decision tree) dengan memanfaatkan data penginderaan jauh multitemporal yang terintegrasi dengan variabel sosio-biogeofisik, serta merekonstruksi lintasan dinamika mangrove pascabencana. Data yang digunakan meliputi citra Landsat 5 dan Landsat 9 multitemporal yang diperkaya dengan variabel sosio-biogeofisik. Citra sintetis yang diturunkan dari Citra Landsat meliputi NDVI, NDBI, MNDWI, CMRI, SAVI, dan SI. Untuk mengharmonisasikan perbedaan karakteristik sensor antarperiode pengamatan, diterapkan pendekatan image regression. Model klasifikasi dibangun menggunakan dataset tahun 2025 sebagai tahun referensi, kemudian digunakan untuk merekonstruksi tutupan mangrove pada tahun 2003 dan 2006. Hasil penelitian menunjukkan bahwa kombinasi variabel spektral dan sosio-bio-geofisik mampu mengidentifikasi kelas mangrove sedang dan rapat serta tutupan lahan lainnya dengan sangat baik (overall accuracy = 95,2%). Model tahun 2025 juga menunjukkan kinerja yang andal ketika diaplikasikan pada data historis, dengan akurasi 89,1% pada tahun 2003 dan 87,7% pada tahun 2006. Pada tahun 2025, luas mangrove tercatat sebesar 8.223,6 hektar. Periode 2003–2006 menunjukkan kehilangan signifikan sebesar 493,6 hektar (±46%), diikuti pemulihan parsial pada periode 2006-2025 sebesar 98,3 hektar (16,9%). Secara keseluruhan, pendekatan ini efektif dalam merekonstruksi dinamika mangrove jangka panjang untuk mendukung perencanaan rehabilitasi berbasis bukti.

The earthquake and tsunami events that struck the Nias Islands on 26 December 2004 and 28 March 2005 caused significant alterations to the structure and function of mangrove ecosystems. However, remote sensing–based studies analyzing the spatio-temporal dynamics of mangroves in this region remain limited. In addition, approaches that develop a single-year reference model to reconstruct historical mangrove conditions for earlier periods have not been widely explored. This study introduces a novel framework by developing a classification model based on a single reference year to trace and reconstruct multitemporal mangrove dynamics. This study aims to analyze spatio-temporal changes in mangrove cover before and after the earthquake and tsunami events, to develop and evaluate a machine learning model based on the Decision Tree algorithm using multitemporal remote sensing data integrated with socio-biogeophysical variables, and to reconstruct post-disaster mangrove trajectories. The analysis utilized multitemporal Landsat 5 and Landsat 9 imagery enriched with socio-biogeophysical variables. Spectral indices derived from Landsat imagery included NDVI, NDBI, MNDWI, CMRI, SAVI, and SI. To harmonize differences in sensor characteristics across observation periods, an image regression approach was applied. The classification model was trained using the 2025 dataset as the reference year and subsequently employed to reconstruct mangrove cover for 2003 and 2006. The results demonstrate that integrating spectral and socio-biogeophysical variables effectively discriminated moderate and dense mangrove classes, as well as other land cover types, achieving an overall accuracy of 95.2%. The 2025-trained model also showed strong temporal transferability when applied to historical datasets, yielding accuracies of 89.1% (2003) and 87.7% (2006). In 2025, total mangrove cover was estimated at 8,223.6 hectares. The 2003–2006 period experienced a substantial loss of 493.6 hectares (±46%), followed by a partial recovery during 2006–2025, totaling 98.3 hectares (16.9%). Overall, the proposed approach effectively reconstructs long-term mangrove dynamics and provides a robust scientific basis for evidence-based rehabilitation planning.