Pengembangan Algoritma Deteksi Kesehatan Mangrove Berbasis Penginderaan Jauh dan Machine Learning di Kabupaten Lingga Provinsi Kepulauan Riau

Abstract

Penelitian ini bertujuan mengembangkan algoritma pembelajaran mesin berbasis pohon keputusan untuk mendeteksi kesehatan mangrove di Kabupaten Lingga, Kepulauan Riau. Penelitian ini menggunakan peubah spektral berupa NDVI, NBR, NDWI, NDMI, NDBI, GCI, dan CMRI serta peubah sosio-geo-biofisik berupa elevasi, substrat, jarak dari sungai, jarak dari pemukiman, jarak dari jalan, dan jarak dari garis pantai. Algoritma terbaik dihasilkan dengan kriteria information gain yang memberikan akurasi sebesar 98,4%. Hasil klasifikasi terlihat cukup baik dengan nilai overall accuracy (OA) 98,1% dan kappa accuracy (KA) 97,8%. Algoritma ini mampu mendeteksi kelas kesehatan mangrove dengan nilai PA dan UA pada klasifikasi kesehatan mangrove berkisar di angka 97,4% hingga 100%. Peubah yang paling berpengaruh adalah NDVI dan substrat. Penerapan kombinasi peubah spektral dan sosio-geo-biofisik mampu mendapatkan akurasi yang tinggi dalam klasifikasi kesehatan mangrove di Kabupaten Lingga.

This paper describes the development of a machine learning algorithm to detect mangrove health index in Lingga Regency, Riau Islands, using decision trees of machine learning. The remote sensing variables used include NDVI, NBR, NDWI, NDBI, GCI, CMRI and NDMI from Sentinel-2A. The socio-geo-biophysical variables used are elevation, substrate, distance from the river, distance from residential areas, distance from the road, and distance from the coastline. The best model was obtained using the information gain criterion, with an accuracy of 98.2%. The classification results showed fairly good values for Overall Accuracy (OA) at 98,1% and Kappa Accuracy at 97,8%. The most influential variables were NDVI and substrate. This algorithm was able to detect mangrove health with precision and recall values ranging from 97.4% to 100%. The integration of spectral indices and socio-geo-biophysical variables achieved high classification accuracy for mangrove health index in Lingga Regency.