| dc.description.abstract | Habitat bentik merupakan suatu ekosistem perairan dangkal yang mencakup
padang lamun, makroalga, rumput laut, terumbu karang hidup, serta karang mati
dengan substrat pasir, lumpur, dan pecahan karang. Pemantauan habitat bentik
sangat penting dilakukan karena ekosistem ini memiliki berbagai manfaat ekologis
dan ekonomis. Salah satu bentuk pemantauan awal yang dapat dilakukan yaitu
dengan pemetaan habitat bentik. Saat ini, drone merupakan salah satu teknologi
yang efektif dan efisien untuk pemantauan habitat bentik. Namun, keberhasilan
dalam pemetaan habitat bentik menggunakan drone dipengaruhi oleh beberapa
faktor seperti resolusi spasial, faktor lingkungan, pemilihan metode pengolahan
citra yang tepat, dan waktu komputasi yang efisien. Studi ini bertujuan untuk
mengevaluasi pengaruh perbedaan resolusi spasial, penggunaan band dan
penggunaan algoritma terhadap hasil klasifikasi habitat bentik.
Pengambilan data lapang dilakukan pada tanggal 19 Mei 2024 sampai 23
Mei 2024 di Pulau Panggang, Kepulauan Seribu, Provinsi DKI Jakarta.
Pengambilan data habitat bentik dilakukan menggunakan teknik purposive random
sampling dan pengambilan data citra dilakukan menggunakan teknologi drone DJI
Phantom 4 Multispectral. Kelas habitat yang diidentifikasi yaitu kelas habitat
bentik seperti macroalgae (MA), coral with alga (CA), dead coral with alga
(DCA), live coral (LC), seagrass (SG), sand (S), dan rubble (R). Metode analisis
data yang digunakan dalam penelitian ini adalah pixel based analysis (PBIA)
dengan menerapkan agregasi spasial kelipatan lima dari citra aslinya. Algoritma
klasifikasi yang digunakan dalam penelitian ini yaitu support vector machine
(SVM), random forest (RF) dan extreme gradient boosting (XGBoost).
Hasil pemetaan habitat bentik menggunakan citra drone multispektral dan
RGB menunjukkan bahwa penurunan resolusi spasial dapat meningkatkan
efektivitas pemetaan. Penurunan resolusi menyebabkan ukuran data citra berkurang
signifikan, sehingga waktu komputasi menjadi jauh lebih efisien pada semua
algoritma. Secara bersamaan, nilai overall accuracy (OA) justru meningkat, dengan
nilai tertinggi yaitu hasil klasifikasi menggunakan algoritma XGBoost yaitu
91,80% pada citra multispektral dan 90,98% pada citra RGB. Hal ini disebabkan
oleh resolusi yang sangat tinggi (6 cm) yang cenderung menangkap variabilitas
spektral skala mikro seperti noise dan heterogenitas substrat yang menurunkan
konsistensi klasifikasi. Sebaliknya, resolusi yang lebih kasar menghasilkan agregasi
piksel yang meningkatkan homogenitas spektral, sehingga klasifikasi menjadi lebih
stabil dan akurat. | |
