Deteksi dan Klasifikasi Gelembung Udara Menggunakan Multibeam Echosounder dan Algoritma Machine Learning

Abstract

Fenomena gelembung udara merupakan salah satu fenomena bawah air yang sulit dideteksi secara visual disebabkan oleh keberadaan sumber gelembung yang jauh di dasar laut, salah satu teknologi yang mampu mendeteksi gelembung gas adalah teknologi hidroakustik. Teknologi ini memanfaatkan gelombang suara untuk mengkuantifikasi objek dari besarnya pantulan yang diberikan objek terhadap gelombang suara. Salah satu alat yang memanfaatkan teknologi hidroakustik adalah Multibeam Echosounder. Namun, pengolahan data pada Multibeam Echosounder masih tergantung pada pengalaman pengguna, sehingga diperlukan otomatisasi dalam mengklasifikasikan objek pada data Multibeam Echosounder. Machine Learning merupakan cabang Artificial Intelligence yang mampu mengatasi permasalahan tersebut secara efektif dan efisien. Tujuan dari penelitian ini adalah untuk mengidentifikasi, mengklasifikasikan gelembung udara pada Multibeam Echosounder, menganalisis serta menentukan algoritma Machine Learning yang terbaik dalam mengklasifikan gelembung udara. Penelitian ini dilakukan di perairan Karangantu, Banten, pada tanggal 14 September 2024 dengan menggunakan Multibeam Echosounder Norbit IWBMS STX sebagai media akusisi data, serta validasi kecepatan menggunakan Valeport Swift CTD Turbidity. Pengolahan data Multibeam Echosounder dilakukan menggunakan perangkat lunak FMMidwater Fledermaus, dengan fitur yang diekstraksi berupa kedalaman, dB Amplitude, Beam Number, kecepatan suara, hingga Beam Elevation. Algoritma Machine Learning yang digunakan adalah Random Forest (RF), K-Nearest Neighbor (KNN), serta Support Vector Machine (SVM). Evaluasi uji performa model menggunakan confusion matrix untuk menghasilkan akurasi, precision, recall, F1-Score, serta koefisien kappa. Berdasarkan hasil akusisi, nilai Volume Backscattering Strength menunjukkan nilai bervariasi dari 10 dB hingga 60 dB. Lalu berdasarkan hasil uji performa algoritma machine learning, hasil performa menunjukkan bahwa model Support Vector Machine memiliki performa klasifikasi terbaik dengan akurasi 97,56%, F1-score 97,54%, dan koefisien kappa 95,14%, sehingga algoritma SVM lebih baik dibandingkan KNN dan Random Forest. Namun, ketidakseimbangan jumlah data antar kelas menyebabkan adanya overfitting pada model pada kelas minoritas. Penelitian ini membuktikan bahwa integrasi teknologi hidroakustik dengan algoritma Machine Learning dapat meningkatkan deteksi dan klasifikasi objek bawah air secara efisien dan akurat. Ke depan, kalibrasi nilai hambur balik dan keseimbangan populasi data antar kelas direkomendasikan untuk meningkatkan generalisasi model.