Pengembangan Algoritma Deteksi Kesehatan Mangrove Berbasis Penginderaan Jauh dan Machine Learning di Pulau Bintan

Abstract

Penelitian ini mengembangkan algoritma untuk mendeteksi kondisi kesehatan hutan mangrove di Pulau Bintan dengan menggunakan pendekatan non-parametrik. Penelitian ini berfokus pada kombinasi beberapa indeks yang dibangun menggunakan data Sentinel-2A dan peubah sosio-geo-biofisik, seperti proximity sungai dan garis pantai, proximity jalan, proximity permukiman, ketinggian, kelerengan, dan substrat. Penelitian ini menunjukkan bahwa model terbaik diperoleh dengan menggunakan kriteria Information Gain dan memberikan akurasi keseluruhan sebesar 95,8% serta akurasi kappa sebesar 95%. SAVI dan Substrat menjadi peubah yang paling berpengaruh dalam memisahkan tutupan lahan, termasuk kelas kesehatan hutan mangrove. Algoritma tersebut berhasil memisahkan kelas kesehatan hutan mangrove dari kelas tutupan lahan lainnya dengan precision berkisar antara 95,6% hingga 98,2% dan recall antara 96,4% hingga 98,2%, serta menunjukkan keefektifan kombinasi peubah spektral dan sosio-geo-biofisik dalam mendeteksi kesehatan hutan mangrove menggunakan data penginderaan jauh di Pulau Bintan.

This research aimed to develop an algorithm for detecting mangrove health conditions on Bintan Island by using a non-parametric approach. The study was focused on examining the combination of several indices derived from Sentinel-2A and socio-geo-biophysical factors such as, proximity to river and coastal line, road distance, proximity to village, elevation, slope, and substrate content. The study showed that the best model was obtained using the Information Gain criterion and provided an overall accuracy of 95.8% and a kappa accuracy of 95%. SAVI and Substrate were identified as the most influential variables in separating land covers which included the mangrove health classes. The algorithm successfully separated mangrove health classes from other land-cover classes having precision ranging from 95.6% to 98.2% and recall between 96.4% to 98.2%, and demonstrated the effectiveness of integrating spectral and socio-geo-biophysical variables for mangrove health detection using remote sensing data on Bintan Island.