Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 1

Coastal Ecosystem Classification Using Satellite-Based Machine Learning Approaches

Jambura Journal of Biomathematics (JJBM) · Vol. ume (2025) · hlm. 142–153

DOI
10.37905/jjbm.v6i2.30466
ISSN
2723-0317
Terbit
2025-06-30
Penerbit
Department of Mathematics, Universitas Negeri Gorontalo
Bahasa
eng
Lisensi
creativecommons.org/licenses/by-nc/4.0

Abstrak

Sebagai negara kepulauan yang kaya akan sumber daya alam, Indonesia memiliki potensi ekonomi kelautan yang besar. Untuk mempertahankan potensi ekonomi ini dalam jangka panjang, ekonomi biru diperlukan sebagai konsep dalam menetapkan program pembangunan dan kebijakan publik. Salah satu cara untuk mengimplementasikan konsep tersebut adalah dengan menyusun neraca laut, yang kerangka kerjanya mengimplementasikan konsep ekonomi biru dalam bentuk neraca lingkungan. Neraca laut dapat dianggap mendukung pembentukan kebijakan dan program nasional suatu negara. Oleh karena itu, data spasial yang akurat yang mencerminkan kondisi terkini sangat penting untuk menyusun neraca ini. Namun, pengumpulan data tersebut dapat memakan biaya dan sumber daya yang besar, sehingga menjadi tantangan untuk memastikan ketersediaan informasi yang terkini dan akurat. Dalam konteks ini, sumber data alternatif dapat memberikan solusi yang layak. Penelitian sebelumnya telah berhasil membuktikan bahwa pemodelan pembelajaran mesin juga citra satelit Sentinel-1 dan Sentinel-2 mampu memetakan wilayah pesisir, seperti wilayah pasang surut dan bentik. Oleh karena itu, penelitian ini mencoba mengklasifikasikan ekosistem pesisir Taman Nasional Karimunjawa dengan memanfaatkan citra Sentinel-1 dan Sentinel-2 dan membandingkan hasil klasifikasi dari tiga metode pembelajaran mesin, yaitu Random Forest (RF), Support Vector Classification (SVC), dan Extreme Gradient Boosting (XGBoost), dan menganalisis perubahan ekosistem antara tahun 2020 dan 2023. Hasilnya menunjukkan bahwa RF memberikan hasil terbaik dalam melakukan klasifikasi untuk daerah bentik yang mencapai 0,77 dan 0,78 dalam skor F1 dan Koefisien Korelasi Matthew (MCC), sedangkan model SVC berhasil mencapai 0,83 dalam skor F1 dan MCC memberikan hasil terbaik untuk daerah pasang surut. Selanjutnya, luas terumbu karang dan padang lamun menurun masing-masing sebesar 6,524 km 2 dan 1,39 km 2. Sedangkan, luas mangrove, kawasan terbangun, dan hutan menunjukkan sedikit perubahan.

Kata kunci

Jaringan kolaborasi para penulis

7 penulis · 10 tautan kepenulisan bersama · 6 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Politeknik Statistika STIS
  • Badan Pusat Statistik
  • National Research and Innovation Agency
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Imam Habib PamungkasBadan Pusat Statistik1
Erni Tri AstutiPoliteknik Statistika STIS1
Rini RahaniPoliteknik Statistika STIS1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) http://ejurnal.ung.ac.id/index.php/JJBM/oai, pertama di-harvest 9 Nov 2026, terakhir terlihat 16 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Coastal Ecosystem Classification Using Satellite-Based Machine Learning Approaches</dc:title>
	<dc:creator>Jane, Giani Jovita</dc:creator>
	<dc:creator>Alifatri, La Ode</dc:creator>
	<dc:creator>Tasriah, Etjih</dc:creator>
	<dc:creator>Pramana, Setia</dc:creator>
	<dc:subject xml:lang="en-US">Satellite imagery; Machine learning; Coastal area; Blue economy</dc:subject>
	<dc:description xml:lang="en-US">Sebagai negara kepulauan yang kaya akan sumber daya alam, Indonesia memiliki potensi ekonomi kelautan yang besar. Untuk mempertahankan potensi ekonomi ini dalam jangka panjang, ekonomi biru diperlukan sebagai konsep dalam menetapkan program pembangunan dan kebijakan publik. Salah satu cara untuk mengimplementasikan konsep tersebut adalah dengan menyusun neraca laut, yang kerangka kerjanya mengimplementasikan konsep ekonomi biru dalam bentuk neraca lingkungan. Neraca laut dapat dianggap mendukung pembentukan kebijakan dan program nasional suatu negara. Oleh karena itu, data spasial yang akurat yang mencerminkan kondisi terkini sangat penting untuk menyusun neraca ini. Namun, pengumpulan data tersebut dapat memakan biaya dan sumber daya yang besar, sehingga menjadi tantangan untuk memastikan ketersediaan informasi yang terkini dan akurat. Dalam konteks ini, sumber data alternatif dapat memberikan solusi yang layak. Penelitian sebelumnya telah berhasil membuktikan bahwa pemodelan pembelajaran mesin juga citra satelit Sentinel-1 dan Sentinel-2 mampu memetakan wilayah pesisir, seperti wilayah pasang surut dan bentik. Oleh karena itu, penelitian ini mencoba mengklasifikasikan ekosistem pesisir Taman Nasional Karimunjawa dengan memanfaatkan citra Sentinel-1 dan Sentinel-2 dan membandingkan hasil klasifikasi dari tiga metode pembelajaran mesin, yaitu Random Forest (RF), Support Vector Classification (SVC), dan Extreme Gradient Boosting (XGBoost), dan menganalisis perubahan ekosistem antara tahun 2020 dan 2023. Hasilnya menunjukkan bahwa RF memberikan hasil terbaik dalam melakukan klasifikasi untuk daerah bentik yang mencapai 0,77 dan 0,78 dalam skor F1 dan Koefisien Korelasi Matthew (MCC), sedangkan model SVC berhasil mencapai 0,83 dalam skor F1 dan MCC memberikan hasil terbaik untuk daerah pasang surut. Selanjutnya, luas terumbu karang dan padang lamun menurun masing-masing sebesar 6,524 km 2 dan 1,39 km 2 . Sedangkan, luas mangrove, kawasan terbangun, dan hutan menunjukkan sedikit perubahan.</dc:description>
	<dc:publisher xml:lang="en-US">Department of Mathematics, Universitas Negeri Gorontalo</dc:publisher>
	<dc:contributor xml:lang="en-US"></dc:contributor>
	<dc:date>2025-06-30</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://ejurnal.ung.ac.id/index.php/JJBM/article/view/30466</dc:identifier>
	<dc:identifier>10.37905/jjbm.v6i2.30466</dc:identifier>
	<dc:source xml:lang="en-US">Jambura Journal of Biomathematics (JJBM); Volume 6, Issue 2: June 2025; 142-153</dc:source>
	<dc:source>2723-0317</dc:source>
	<dc:source>10.37905/jjbm.v6i2</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://ejurnal.ung.ac.id/index.php/JJBM/article/view/30466/11214</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2025 Giani Jovita Jane, La Ode Alifatri, Etjih Tasriah, Setia Pramana</dc:rights>
	<dc:rights xml:lang="en-US">https://creativecommons.org/licenses/by-nc/4.0</dc:rights>
</oai_dc:dc>