Klasifikasi Habitat Dasar Perairan Dangkal Menggunakan Algoritma Maximum Likelihood, Logika Fuzzy dan Jaringan Syaraf Tiruan Pada Citra Satelit Landsat 8 dan Sentinel 2A

Abstract

Teknologi pengindraan jauh dengan wahana satelit dan dengan berbagai resolusi sensor semakin berkembang baik spektral, spasial maupun dalam resolusi radiometrik dan temporalnya. Disisi lain, teknologi ini memiliki keterbatasan khususnya dalam pemrosesan dan analisis data. Klasifikasi data pengindraan jauh sebelumnya banyak menggunakan algoritma maximum likelihood, dan belakangan ini menggunakan algoritma logika fuzzy dan jaringan syaraf tiruan. Penelitian ini bertujuan untuk menerapkan dan menguji akurasi algoritma klasifikasi maximum likelihood, logika fuzzy dan jaringan syaraf tiruan pada citra Landsat 8 dan Sentinel 2A untuk klasifikasi habitat dasar perairan dangkal. Lokasi penelitian di Pulau Keffing, Seram Timur, Maluku. Pengamatan habitat bentik secara in situ dilakukan dengan menggunakan transek kuadran (1x1 meter), kamera bawah air, sabak dan roll meter. Jumlah titik pengamatan lapangan sebanyak 380 titik, yang terdiri dari 190 titik untuk input dalam klasifikasi dan 190 titik input dalam uji akurasi. Pengolahan citra dilakukan dengan koreksi geometrik, atmosferik dan koreksi kolom air. Koreksi kolom air dengan metode depth invariant index (DII). Asnalisis data citra dengan menerapkan algoritma maximum likelihood, logika fuzzy dan jaringan syaraf tiruan. Uji akurasi menggunakan confusion matrix dengan menghitung overall accuracy, producer accuracy dan user accuracy. Berdasarkan hasil klasifikasi diperoleh enam kelas habitat dasar perairan dangkal yaitu karang, lamun, lamun campur pasir, pasir, rubble dan rubble campur karang. Hasil klasifikasi algoritma jaringan syaraf tiruan (JST) dengan menerapkan koreksi kolom air (DII) pada citra sentinel 2A diperoleh nilai overall accuracy yang lebih baik dibandingkan dengan algoritma maximum likelihood dan logika fuzzy yaitu sebesar 82,63%. Akurasi terendah yaitu 65,79% diperoleh dengan menggunakan algoritma Maximum Likelihood (MLH) pada citra Landsat 8 tanpa koreksi kolom air DII. Perbedaan resolusi spasial kedua citra satelit yang digunakan juga mempengaruhi hasil akurasi, di mana citra sentinel 2A memiliki tingkat akurasi yang lebih tinggi dibandingkan citra Landsat 8. Nilai akurasi klasifikasi dengan penerapan koreksi kolom air menggunakan DII juga memperlihatkan adanya peningkatan akurasi terhadap ketiga algoritma tersebut. Penelitian ini menunjukan bahwa citra Landsat 8 dan Sentinel 2A dapat digunakan untuk mengidentifikasi habitat dasar perairan dangkal pulau Keffing dengan baik menggunakan ketiga algoritma tersebut.

Remote sensing technologies using satellite platforms with different sensor resolutions (spectral, spatial, radiometric and temporal resolutions) are increasingly developed. However, the technologies still has limitations, especially in term of image processing and analysis. The classification of remote sensing data is generally performed using the maximum likelihood algorithm, and recently fuzzy logic algorithms and artificial neural networks. This study aimed to apply the maximum likelihood classification algorithm, fuzzy logic, and artificial neural networks on Landsat 8 and Sentinel 2A images for benthic habitat classification. The research location was on Keffing Island, East Seram, Maluku. In situ observations of benthic habitats were carried out using quadrant transects (1x1 meter), underwater camera, slate and roll meter. The number of field observation points is 380 points, consisting of 190 points for input in the classification and 190 input points in the accuracy test. Image processing is carried out with geometric, atmospheric and water column corrections. Correction of the water column using depth invariant index (DII) method. Image data analysis by applying maximum likelihood algorithm, fuzzy logic and artificial neural network. The accuracy test used a confusion matrix by calculating overall, producer and user accuracy. Based on the classification results, there are six bhentic habitat classes, namely coral, seagrass, seagrass mixed sand, sand, rubble and rubble mixed coral. The results of the classification of the artificial neural network algorithm (ANN) by applying the water column correction (DII) to the sentinel 2A image, the overall accuracy value was better than the maximum likelihood and fuzzy logic algorithm, which is 82.63%. The lowest accuracy of 65.79% was obtained using the Maximum Likelihood (MLH) algorithm on Landsat 8 images without water column correction DII. The difference in spatial resolution of the two satellite images used also affects the accuracy results, where the Sentinel 2A image has a higher level of accuracy than Landsat 8. The increasing accuracy of classification applying water column correction of the DII also showed in the three algorithms used. This study showed that Sentinel-2A imagery can be used to properly identify benthic habitats in Keffing Island by applying these three algorithms.