Performa Algoritma Maximum Likelihood, Support Vector Machine, dan Logika Fuzzy dalam Memetakan Sebaran Lamun menggunakan Citra Multi-Sensor

Abstract

Minimnya data dan informasi tentang ekosistem lamun menyebabkan keterbatasan dalam upaya konservasi terkait lamun di Indonesia. Metode penginderaan jauh merupakan salah satu metode yang dapat digunakan untuk memetakan dan memantau kerapatan padang lamun. Penggunaan citra satelit dengan resolusi spasial berbeda, metode dan skema klasifikasi yang kurang tepat dalam ekstraksi citra satelit termasuk hal yang dapat mempengaruhi akurasi peta. Sebagian besar pendekatan klasifikasi yang banyak dilakukan didasarkan pada informasi per piksel. Metode OBIA merupakan metode yang juga telah banyak digunakan, di mana metode ini tidak hanya mempertimbangkan aspek spektral namun juga aspek spasial objek. Namun, kemiripan spektral antara kelas habitat bentik tidak dapat dihindari oleh kedua metode baik OBIA maupun piksel. Logika fuzzy memiliki aplikasi di berbagai bidang, dan saat ini juga sudah banyak digunakan dalam pemrosesan citra satelit. Logika fuzzy memungkinkan keanggotaan parsial, properti yang sangat penting di bidang penginderaan jauh, karena keanggotaan parsial diterjemahkan secara dekat dengan masalah piksel campuran. Tujuan penelitian ini adalah menentukan performa deliniasi dan klasifikasi kerapatan lamun yang dihasilkan dari aplikasi algoritma klasifikasi Maximum Likelihood (MLH), Support Vector Machine (SVM), dan Logika Fuzzy dan menggunakan citra multi skala yaitu Sentinel-2 dan WorldView-2, dan dengan koreksi kolom air di Pulau Kodingareng Lompo. Penelitian ini menggunakan dua citra satelit dengan resolusi spasial yang berbeda, yaitu citra Sentinel-2 dengan ukuran piksel 10 x 10 m2 dan citra WorldView-2 dengan ukuran piksel 1,85 x 1,85 m2. Citra Sentinel-2 sebagai citra open source yang mudah diperoleh dan tergolong dalam citra resolusi menengah dan WorldView-2 sebagai citra referensi yang tergolong dalam citra beresolusi tinggi. Identifikasi dan klasifikasi sebaran lamun dilakukan di Pulau Kodingareng Lompo, Sulawesi Selatan dengan menggunakan dua metode yaitu berbasis piksel dan berbasis objek, serta tiga algoritma klasifikasi yaitu MLH, SVM dan Fuzzy, serta dengan melakukan koreksi kolom air dengan Depth Invariant Index (DII) dan tidak dilakukan koreksi. Penelitian ini diharapkan dapat memberikan informasi tentang algoritma yang tepat dalam klasifikasi dan memetakan sebaran lamun dengan akurasi yang baik. Hasil studi dari empat kelas kerapatan lamun meliputi; jarang (0 – 25%), sedang (26 – 50%), padat (51 – 75%) dan sangat padat (76 – 100%) serta empat kelas habitat bentik meliputi; karang, lamun, pasir dan rubble memperlihatkan bahwa algoritma logika fuzzy menggunakan citra WorldView-2 dengan penerapan koreksi kolom air memiliki tingkat akurasi yang baik. Jika dibandingkan dengan hasil klasifikasi algoritma lainnya yang memiliki nilai overall accuracy (OA) sebesar 86,67% untuk tujuh kelas (kerapatan lamun dan habitat bentik), 92,11% untuk empat kelas kerapatan lamun dan 99,50% untuk dua kelas kerapatan lamun. Nilai koefisien kappa sebesar 0,89 yang termasuk dalam kategori hampir sempurna dan nilai Z statistik tertinggi sebesar 51,60 memperlihatkan bahwa penggunaan algoritma logika fuzzy pada citra WorldView-2 lebih baik dibandingkan perlakuan lainnya. Adapun nilai signifikansi tertinggi adalah pada algoritma logika fuzzy vs MLH sebesar 2,82, nilai tersebut lebih besar dari nilai Z tabel (1,96) yang berarti berbeda signifikan. Sementara untuk citra Sentinel-2 vs WorldView-2 memiliki nilai signifikansi sebesar 1,48, serta penerapan DII vs tanpa DII memiliki nilai signifikansi sebesar 0,94 yang berarti keduanya tidak berbeda signifikan. Kemudian disusul oleh algoritma SVM (OBIA) yang memberikan hasil lebih optimal dibandingkan dengan algoritma MLH dan SVM berbasis piksel. Perbedaan resolusi spasial kedua citra satelit yang digunakan juga mempengaruhi hasil akurasi, di mana citra WorldView-2 memiliki tingkat akurasi yang lebih tinggi dibandingkan citra Sentinel-2 walaupun perbedaan nilainya tidak signifikan. Nilai akurasi klasifikasi dengan penerapan koreksi kolom air menggunakan DII juga memperlihatkan adanya peningkatan akurasi terhadap ketiga algoritma tersebut (baik berbasis objek maupun piksel). Sedangkan untuk klasifikasi lamun pada tingkat jenis belum memberikan akurasi yang baik meskipun menggunakan citra WorldView-2 yang beresolusi tinggi.

The lack of data and information on seagrass ecosystem causes limitations in conservation related to seagrass in Indonesia. Remote sensing method is one of the methods that can be used to map and monitor the seagrass beds. The use of satellite images with different spatial resolutions, inappropried classification and schemes methods in satellite image extraction are among the things that can affect map accuracy. Most of the classification approaches applied are based on per pixel information. At present, OBIA method is a method that has been widely used where it is not only considers the spectral aspects but also the spatial aspects of the object. However, in many cases the spectral similarity within benthic habitat classes is difficult to be separated by both OBIA and pixel methods. Fuzzy logic has applications in many fields, and at present has been used in the image classification of satellite data. Fuzzy logic allows for partial membership, a very important property in remote sensing fields, because partial membership translates closely to the mixed pixel problem. The purpose of this research was to analyze the performance of seagrass delineation and classification of seagrass density resulted from several algorithms, i. e. Maximum Likelihood (MLH), Support Vector Machine (SVM), and Fuzzy Logic classification used multi-scale imageries, namely Sentinel-2 and WorldView-2, and with water column correction on Kodingareng Lompo Island. This study used two satellite images with different spatial resolutions, namely Sentinel-2 image with a pixel size of 10 x 10 m2 and WorldView-2 image with a pixel size of 1.85 x 1.85 m2. Sentinel-2 is an open source image that is easy to obtain and classified as a medium resolution and WorldView-2 as a reference image that is classified as a high-resolution. Identification and classification of seagrass distribution was carried out on Kodingareng Lompo Island, South Sulawesi by used two methods, namely pixel-based and object-based, three classification algorithms, namely MLH, SVM and Fuzzy, and by corrected the water column with Depth Invariant Index (DII) method and not corrected. This research is expected to provide information about the best algorithm in classification and mapping the distribution of seagrass with good accuracy. Based on the results of the four classes of seagrass density included; sparse (0 – 25%), medium (26 – 50%), dense (51 – 75%) and very dense (76 – 100%) and the four benthic habitat classes included; coral, seagrass, sand and rubble showed that the fuzzy logic algorithm using WorldView-2 imagery with the application of water column correction for four seagrass density classes have a good level of accuracy. If compared with the results of other classification algorithms, namely the overall accuracy (OA) of 86.67% for seven classes (seagrass density and benthic habitat), 92.11% for four seagrass density classes and 99.50% for two seagrass density classes. The kappa coefficient value of 0.89 was the almost perfect category and the highest statistical Z value of 51.60 showed that the used of the fuzzy logic algorithm in WorldView-2 imagery was better than other methods. The highest significance value was the fuzzy logic vs MLH algorithms of 2.82, this value was higher than the Z table value (1.96) which means that it was significantly different. Meanwhile, Sentinel-2 vs WorldView-2 imageries have a significance value of 1.48, and the application of DII vs without DII have a significance value of 0.94 which means that were not significantly different. Then followed by the object-based SVM (OBIA) algorithm which gave more optimal results compared to the MLH and SVM (pixel-based) algorithms. The difference in spatial resolution of the two satellite images used, did not give significant difference. The increasing accuracy of classification applying water column correction of the DII also showed in the three algorithms (both object and pixel based) used. Meanwhile, the classification of seagrass at the species level did not showed good accuracy even though it used high-resolution WorldView-2 imagery.