Pengembangan Algoritma Deteksi Kesehatan Mangrove Berbasis Penginderaan Jauh dan Machine Learning di Kabupaten Tolitoli

Abstract

Penelitian ini mengkaji integrasi peubah spektral Sentinel-2A dan peubah sosio-geo-biofisik untuk mendeteksi tingkat kesehatan mangrove di Kabupaten Tolitoli, Provinsi Sulawesi Tengah. Data yang digunakan dalam penelitian ini adalah citra satelit Sentinel-2A dan peubah sosio-geo-biofisik. Penelitian ini bertujuan untuk mengembangkan algoritma machine learning berbasis decision tree untuk klasifikasi kesehatan mangrove. Model decision tree dievaluasi menggunakan beberapa kriteria pemilihan atribut, yaitu information gain, gain ratio, gini index, dan brute force. Hasil penelitian menunjukkan bahwa NDVI, MNDWI, substrat, ENDBSI, jarak dari garis pantai, dan jarak dari sungai merupakan peubah yang paling berpengaruh dalam membangun model klasifikasi. Model decision tree terbaik diperoleh menggunakan kriteria information gain dengan nilai overall accuracy sebesar 95,1% dan koefisien kappa sebesar 0,94. Model tersebut juga menghasilkan nilai precision berkisar antara 87,88% hingga 100% serta nilai recall (producer's accuracy) berkisar antara 87,50% hingga 100%.

This research examined the combination of Sentinel satellite base spectral and non-spectral variables to detect the mangrove health index in Tolitoli Regency, Central Sulawesi Province. The data used consisted of Sentinel-2A satellite imagery and socio-geo-biophysical variables. The research aimed to develop a decision tree machine learning algorithm for the mangrove health index. The decision tree algorithm was examined by testing several entropy measure parameters using information gain, gain ratio, gini index, and brute force methods. The study showed that NDVI, MNDWI, substrate, ENDBSI, distance from coastline, and distance from river were the optimal variables for constructing the classification model. The best decision tree model was obtained using the information gain criterion with an overall accuracy of 95.1% and a kappa accuracy of 0.94. The model achieved precision accuracy from 87.88% to 100% and recall (producer accuracy) from 87.50% to 100%.