Akurasi Model Machine Learning untuk Prediksi Kedalaman Perairan Berdasarkan Data Akustik dan Data Citra

Abstract

Estimasi kedalaman perairan atau batimetri merupakan aspek yang sangat penting dalam pengelolaan sumber daya kelautan. Namun, pengukuran secara langsung (in-situ) sering kali memerlukan biaya besar dan waktu yang cukup lama. Oleh karena itu, citra penginderaan jauh menjadi sumber informasi geospasial yang menjanjikan untuk mendukung perencanaan dan pengembangan wilayah pesisir dan laut. Penelitian ini mengkaji penggunaan metode pembelajaran mesin (machine learning/ML) untuk estimasi kedalaman perairan menggunakan citra satelit Sentinel-2. Kerangka kerja yang diusulkan terdiri dari tiga langkah utama. Pertama, pengolahan citra dilakukan dengan metode Satellite Derived Bathymetry (SDB) yang divalidasi menggunakan data akustik in-situ. Kedua, pelatihan model dilakukan menggunakan tiga metode pembelajaran mesin, yaitu K-Nearest Neighbor (KNN), Random Forest (RF), dan Support Vector Machine (SVM). Ketiga, evaluasi model dilakukan menggunakan pengukuran statistik berupa Root Mean Square Error (RMSE) dan koefisien determinasi (R²) untuk menentukan performa terbaik. Hasil analisis statistik menunjukkan bahwa metode ini memiliki efisiensi tinggi, dengan model terbaik diperoleh dari algoritma SVM yang menghasilkan nilai R² sebesar 0,799 dan RMSE sebesar 2,679 dalam estimasi kedalaman perairan di wilayah Konawe, Sulawesi Tenggara.

Water depth estimation, or bathymetry, is a crucial aspect in the management of marine resources. However, direct (in-situ) measurements are often costly and time-consuming. As an alternative, remote sensing imagery offers a promising source of geospatial information to support coastal and marine planning and development. This study investigates the application of machine learning (ML) methods for water depth estimation using Sentinel-2 satellite imagery. The proposed framework consists of three main steps. First, image processing is carried out using the Satellite Derived Bathymetry (SDB) method, validated with in-situ acoustic data. Second, model training is performed using three ML algorithms: KNearest Neighbor (KNN), Random Forest (RF), and Support Vector Machine (SVM). Third, model evaluation is conducted using statistical metrics, including Root Mean Square Error (RMSE) and the coefficient of determination (R²), to assess model performance. The statistical analysis indicates that the proposed method is highly effective, with the best results obtained from the SVM model, achieving an R² value of 0.799 and an RMSE of 2.679 for water depth estimation in the coastal area of Konawe, Southeast Sulawesi.