Pemetaan Habitat Bentik di Pesisir Labuan Bajo Menggunakan Citra WorldView-2 dengan Metode Machine Learning Algoritma Random Forest dan Convolutional Neural Network (CNN) Arsitektur U-Net

Faiza Rahadatul Aisyi Khairunnisa, Prof. Dr. Pramaditya Wicaksono, S.Si., M.Sc.

2025 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Indonesia memiliki keanekaragaman hayati melimpah pada ekosistem kelautannya, salah satunya adalah habitat bentik. Habitat bentik berperan penting dalam ekologi dan sosial ekonomi, namun sangat rentan terhadap perubahan lingkungan. Maka dari itu, informasi spasial mengenai habitat bentik menjadi krusial untuk mendukung pengambilan kebijakan yang efektif dalam pengelolaan lingkungan pesisir. Penelitian ini mengevaluasi efektivitas metode deep learning CNN arsitektur U-Net dalam mengklasifikasikan habitat bentik menggunakan citra WorldView-2, dengan algoritma shallow learning Random Forest (RF) sebagai baseline. Lokasi kajian berada di pesisir Labuan Bajo, dengan fokus pada empat kelas utama habitat bentik yaitu terumbu karang, lamun, makroalga, dan substrat. Model RF dilatih menggunakan data titik hasil survei lapangan dengan fitur spektral piksel, sedangkan model U-Net dilatih dengan patch citra dan mask label hasil rasterisasi data titik survei lapangan. Kinerja model dinilai menggunakan confusion matrix meliputi Overall Accuracy (OA), Producer’s Accuracy (PA), User’s Accuracy (UA), f1-score, indeks kappa, serta uji McNemar untuk menilai signifikansi perbedaan hasil klasifikasi. Hasil menunjukkan bahwa RF lebih unggul dengan OA sebesar 89,52%, sedangkan U-Net hanya mencapai 61,69%. Secara visual, hasil klasifikasi RF lebih halus dan sesuai dengan pola distribusi alami habitat bentik. Sebaliknya, U-Net cenderung membentuk blok spasial yang homogen dan kurang mencerminkan bentuk habitat bentik yang terlihat pada citra. Analisis akurasi setiap kelas menunjukkan bahwa RF memiliki PA dan UA yang lebih tinggi pada seluruh kelas yang berhasil terklasifikasi. Hasil uji McNemar memperkuat adanya perbedaan signifikan antara kedua model. Penelitian ini menunjukkan bahwa klasifikasi habitat bentik dengan data lapangan yang berupa titik koordinat dengan label kelas lebih sesuai menggunakan RF dibandingkan U-Net.

Indonesia possesses abundant biodiversity within its marine ecosystems, one of which is benthic habitats. These habitats play a crucial role in both ecological and socio-economic but are highly vulnerable to environmental changes. Consequently, spatial information on benthic habitats is essential to support effective decision making in coastal environmental management. This study evaluates the effectiveness of the deep learning CNN U-Net architecture in classifying benthic habitats using WorldView-2 imagery, with the shallow learning Random Forest (RF) algorithm serving as a baseline. The study area is located along the coast of Labuan Bajo and focuses on four major benthic habitat classes: coral reefs, seagrass, macroalgae, and substrate. The RF model was trained using point data from field surveys combined with pixel-level spectral features, while the U-Net model was trained using image patches and label masks derived from rasterized field data. Model performance was assessed using a confusion matrix, incorporating metrics such as Overall Accuracy (OA), Producer’s Accuracy (PA), User’s Accuracy (UA), F1-score, Kappa index, and the McNemar test to evaluate the differences between classification results. The results indicate that RF outperformed U-Net, achieving an OA of 89.52%, whereas U-Net reached only 61.69%. Visually, the RF classification produced smoother outputs that better aligned with the natural spatial patterns of benthic habitats. In contrast, U-Net tended to generate homogeneous spatial blocks that failed to reflect the actual shapes of the habitats. Class-wise accuracy analysis further showed that RF consistently achieved higher PA and UA values across all successfully classified categories. The McNemar test confirmed a statistically significant difference between the two models. These findings suggest that for benthic habitat classification using point-based field data, the RF algorithm is more suitable than U-Net.

Kata Kunci : Habitat bentik, WorldView-2, CNN, U-Net, random forest