Jurnal Kelautan Tropis November 2021 Vol.

24(3):323-332 P-ISSN : 1410-8852 E-ISSN : 2528-3111

Pemetaan Lamun Mengunakan Machine Learning Dengan Citra

Planetscope Di Nusa Lembongan

Devica Natalia Br Ginting1,2* dan Sanjiwana Arjasakusuma1

1Departemen Sains Informasi Geografi, Fakultas Geografi, Universitas Gadjah Mada

Jl. Kaliurang, Sekip Utara, Bulaksumur, Yogyakarta 55281
2Pusat Pemanfaatan Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional

Jl. Kalisari No. 8, Pekayon Pasar Rebo, Jakarta 13710 Indonesia

Email: devicabr93@mail.ugm.ac.id

Abstract

Seagrass Mapping using Machine Learning from PlanetScope Imagery in Nusa Lembongan

Seagrass is one community in benthic habitat that has tremendous benefits for the ecosystem,
however the existence of seagrass has been frequently marginalized in recent decades. Seagrass
beds functions as a blue carbon ecosystem which are able to absorb carbon higher than terrestrial
vegetation. Therefore, it is important to detect and map the seagrass beds distribution to calculate
the potential carbon uptake from seagrass. The seagrass mapping can be employed efficiently by
using remote sensing imagery and the use of machine learning technology. This research aims to
examine the utilization of PlanetScope imagery (3.7 m spatial resolution) for seagrass mapping and
to subsequently examine, the effect of atmospheric corrections, sun-glint, and the water column
corrections on the accuracy of seagrass mapping. In addition, this study also identified the cover
changes in seagrass area from 2016 to 2021 in Nusa Lembongan. The study utilized the tree-based
machine learning methods such as decision tree and random forest. The results showed that the best
model accuracy was generated by using raw PlanetScope data the best model accuracy of 98%
and classification accuracy of 94% from decision tree method. Based on the decision tree mapping
using PlanetScope data for 2016 and 2021, there was a decline in the seagrass cover from 100.53
hectares to 97.31 hectares.

Keyword: Seagrass, PlanetScope, Machine Learning, Nusa Lembongan

Abstrak

Lamun merupakan salah satu dari ekosistem habitat bentik yang memiliki manfaat yang sangat
besar namun sebagai ekosistem, kehadiran lamun sering dikesampingkan beberapa dekade
terakhir. Fungsi padang lamun sebagai ekosistem karbon biru mampu menyerap karbon lebih tinggi
dibandingkan vegetasi daratan. Karena itu, penting untuk mendeteksi dan memetakan informasi
padang lamun untuk memperhitungkan serapan karbon oleh lamun. Pemanfaatan lamun dapat
dilakukan secara cepat dan efisien dengan mengunakan teknologi penginderaan jauh dan
pemenfaatan teknologi machine learning. Penelitian bertujuan untuk mengkaji pemanfaatan citra
PlanetScope untuk memetakan lamun dan selanjutnya menganalisis pengaruh kalibrasi atmosferik,
sun-glint, dan kolom air terhadap akurasi pemetaan padang lamun. Selain itu, perubahan tutupan
lamun tahun 2016 – 2021 di Nusa Lembongan juga dipetakan. Penelitian ini menggunakan metode
machine learning berbasis pohon seperti decision tree dan random forest. Hasil penelitian
menunjukkan akurasi model terbaik dihasilkan dengan menggunakan data mentah dengan akurasi
model 98% dan akurasi klasifikasi 94% dari metode decision tree. Berdasarkan data PlanetScope
tahun 2016 dan 2021 dengan mengunakan metode decision tree terjadi penurunan luasan lamun
dari 100,53 Ha menjadi 97,31 Ha.

Kata kunci: Lamun, PlanetScope, Machine Learning, Nusa Lembongan

*) Corresponding author Diterima/Received : 06-06-2021, Disetujui/Accepted : 23-08-2021

www.ejournal2.undip.ac.id/index.php/jkt DOI: https://doi.org/10.14710/jkt.v24i3.11180
Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

PENDAHULUAN informasi secara spasial dan temporal. Data

penginderaan jauh mampu mendukung
Indonesia memiliki kekayaan sumber dalam menyediakan informasi luasan, persen
daya laut yang melimpah dan perlu dikelola tutupan, spesies, biomasa, dan perubahan
dengan baik, salah satunya adalah lamun. lamun. Penelitian mengenai pemanfaatan
Indonesia merupakan negara dengan citra penginderaan jauh untuk ekstraksi
padang lamun terluas di Asia Tenggara dan padang lamun menggunakan metode
kedua di dunia sekitar 150.693,16 ha (Badan maximum likelihood classification mampu
Informasi Geospasial, 2012) serta dengan menghasilkan akurasi diatas 60 % (citra
keragaman yang besar yaitu 15 spesies dari 60 multispektral) dan diatas 70% (hyperspektral)
spesies lamun di dunia (Sjafrie et al., 2018). baik pada sebaran spesies maupun persen
Ekosistem lamun memiliki manfaat yang tutupan dimana citra dengan resolusi spasial
sangat besar antara lain: sebagai pelindung lebih tinggi menghasilkan akurasi yang lebih
pantai, produsen primer, habitat bagi biota baik (Fauzan et al., 2017; Koedsin et al., 2016).
laut, dan penyimpan karbon (Sjafrie et al., Pemanfaatan metode maximum likelihood
2018, Duarte et al., 2013). Lamun sebagai classification baik digunakan ketika
ekosistem karbon biru mampu menyimpan menggunakan citra resolusi spasial tinggi
CO2 pada tubuh dan sedimennya lebih namun proses pengolahan yang lebih cepat
banyak dibandingkan vegetasi daratan dan akurasi yang lebih baik dapat dihasilkan
(Mcleod et al., 2011). Selain itu, lamun juga dengan menggunakan machine learning
mampu menyimpan karbon dalam waktu yang sedang berkembang setara dengan
yang lama karena kondisi substrat yang perkembangan teknologi (Zhang dan Xie,
mengandung air menyebabkan sulitnya 2012; Zhang et al., 2013). Proses klasifikasi
terjadi pelepasan karbon (Howard et al., dengan machine learning menggunakan
2014). Oleh sebab itu, padang lamun memiliki tree-based learning seperti decision tree dan
potensi yang sangat besar dalam random forests saat ini menjadi lumrah untuk
penyerapan karbon dan mitigasi perubahan digunakan dengan akurasi yang baik dan
iklim. beban komputasi yang lebih ringan (Chan
dan Paelinckx, 2008)
Potensi yang besar pada padang
lamun belum didukung dengan pengelolaan Proses pemetaan menggunakan data
yang baik. Pembangunan yang masif dan penginderaan jauh membutuhkan proses pra-
aktivitas yang tinggi di pesisir menyebabkan pemrosesan data untuk menghilangkan
padang lamun rentan terhadap ancaman gangguan eksternal pada data. Pada analisis
kerusakan. Selain itu, perubahan kondisi pemetaan habitat bentik diperlukan
lingkungan juga mempengaruhi pertumbuhan beberapa koreksi citra, antara lain koreksi
yang berdampak pada perubahan luasan atmosferik, sun-glint, dan kolom air akan
lamun. Berdasarkan penelitian yang dilakukan dianalisis untuk memahami prosedur
oleh Duarte et al. (2008) terjadi pengurangan pemetaan padang lamun. Penelitian Zhang
luasan lamun dunia rata-rata 2 - 5% setiap et al. (2013) menunjukkan bahwa ketiga
tahun. Selain pengurangan luasan, koreksi ini tidak diperlukan pada pemetaan
berdasarkan penelitian P2O-LIPI melaui proyek habitat bentik di Florida keys. Hal ini
COREMAP-CTI selama kurun waktu 2015-2017, dikarenakan proses segmentasi pada
padang lamun Indonesia termasuk dalam klasifikasi berbasis objek yang meminimalisir
kondisi kurang sehat (Sjafrie et al., 2018). pengaruh sun-glint serta dasar perairan
Kondisi ini menunjukkan perlunya tindakan daerah kajian yang homogen yang tidak
cepat dan tepat dari instansi terkait untuk sesuai dengan metode koreksi kolom air yang
berkolaborasi dalam memantau dan digunakan (Lyzenga, 1981). Hal berbeda
mengelola padang lamun di Indonesia. ditunjukkan oleh penelitian Tamondong et al.
(2013) dimana citra Worldview-2 yang sudah
Pemanfaatan teknologi penginderaan dikoreksi kolom air dan dilakukan proces
jauh dapat digunakan untuk pemetaan dan pricipal component analisis menghasilkan
pemantauan padang lamun secara efektif akurasi terbaik. Inkonsistensi dalam koreksi
dan efisien karena mampu menghasilkan citra ini memerlukan kajian lebih lanjut untuk

324 Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.)

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

melihat level koreksi yang diperlukan dalam Klungkung, 2012). Nusa Lembongan juga
proses pemetaan seagrass. merupakan salah satu tempat wisata
domestik maupun mancanegara.
Tujuan penelitian ini adalah untuk Peningkatan minat wisatawan menyebabkan
mengkaji pemetaan padang lamun dengan banyak warga sekitar daerah yang menganti
menggunakan machine learning. Selain itu, sumber mata pencaharian dari
berbagai data input yang diberikan dianalisis pembudidaya rumput laut menjadi pariwisata
untuk mengetahui pengaruh kalibrasi citra (Badan Pusat Statistik Indonesia, 2018).
pada pemetaan padang lamun seperti Peningkatan aktivitas pariwisata menambah
koreksi atmosferik, sun-glint, dan kolom air. tingkat kerentanan terhadap lamun. Gambar
Analisis perubahan luasan lamun untuk 2 merupakan gambaran umum perubahan
mengetahui kondisi dinamis dari lamun di luasan lamun di daerah kajian dari tahun 2009
daerah kajian. Nusa Lembongan dipilih –2020.
sebagai daerah kajian karena masih belum
updatenya informasi terkait luasan lamun dan Citra PlanetScope yang diakusisi pada
terjadi perubahan signifikan terhadap luasan dua tanggal digunakan pada penelitian ini
lamun yang dapat dilihat secara visual di Nusa untuk melihat perubahan tutupan lamun di
Lembongan. daerah kajian. Level produk yang digunakan
adalah PlanetScope 3B yang sudah melalui
MATERI DAN METODE proses ortoretifikasi dan nilai piksel merupakan
Top-of-Atmosphere (TOA) radiance (Planet,
Nusa lembongan merupakan salah satu 2017). Kedua data diakusisi pada tanggal 28
pulau di Kabupaten Klungkung Bali yang kaya Agustus 2016 dan 07 Februari 2021. Kedua
akan padang lamun (Gambar 1). perekaman data dalam kondisi tidak ada
Berdasarkan survey yang dilakukan Coral awan yang menutupi (bebas awan). Resolusi
Triangle Center bersama Universitas Udayana, dari data PlanetScope (Tabel 1).
luasan padang lamun di daerah kajian
adalah 108 hektar dengan delapan jenis Untuk menghitung akurasi, 100 titik
spesies lamun yaitu Thalassia hemprichii, didistribusikan secara acak di habitat lamun
Halophila decipiens, Halophila ovalis, Enhalus dan non-lamun dengan sebaran seimbang
acoroides, Cymodocea rotundata, yaitu 50 banding 50. Sebaran titik validasi
Syringodium isoetifolium, Cymodocea dapat dilihat pada Gambar 3.
serrulata, dan Halodule uninervis (Kabupaten

Gambar 1. Nusa Lembongan (Citra PlanetScope diakusisi 07 Februari 2021)

Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.) 325

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

Gambar 2. Perubahan luasan lamun dari tahun 2009 – 2020 (Google earth pro)

Gambar 3. Titik validasi untuk uji akurasi (warna merah untuk lamun dan warna hijau untuk non lamun)

326 Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.)

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

Citra melalui proses masking darat. ini dibangun berdasarkan hubungan linier
Selanjutnya dikoreksi atmosferik, sunglint, dan antara NIR dan band tampak pada area latih.
kolom air. Data input untuk proses klasifikasi Berdasarkan penelitian Hochberg et al. (2003),
adalah empat data berupa data yang sudah area latih yang dipilih merupakan satu atau
dimasking (mentah), hasil koreksi atmosferik, lebih piksel dengan sun-glint tetapi dengan
sunglint, dan kolom air. Untuk melihat data kecerahan spektral yang konsisten (perairan
input terbaik, keempat hasil klasifikasi tersebut dalam).
melalui proses uji akurasi. Model dengan hasil
akurasi terbaik selanjutnya digunakan untuk Ri’= Ri - bi(RNIR - MinNIR)
menganalisis perubahan luasan lamun.
Keterangan : Ri = Band yang ingin dikoreksi; bi
Objek darat pada daerah kajian akan = Slope dari regresi linear; RNIR= Band NIR;
dimasking karena objek yang akan dianalisis MinNIR= Nilai Minimun area tanpa sunglint; Ri’ =
adalah lamun. Penghapusan objek darat Band terkoreksi
dilakukan untuk proses pengolahan yang
lebih efisien. Selain itu, objek lamun di daerah Pemetakan habitat dasar perairan laut
kajian berada bersebelahan dengan objek dangkal menggunakan citra satelit sangat
mangrove dan pengaruh pasang surut. dipengaruhi oleh kondisi atmosfer dan kolom
Masking darat menggunakan metode air (Mumby et al., 1998). Radiasi yang
perbandingan rasio Green dan NIR serta dipancarkan oleh sensor melalui atmosfer dan
klasifikasi visual. Berdasarkan penelitian kolom air akan dipantulkan oleh objek dasar
Ginting dan Faristyawan (2020), metode dan direkam kembali oleh sensor. Koreksi
tersebut mampu memisahkan wilayah garis atmosfer dan kolom air diperlukan untuk
pantai bervegetasi dengan non-vegetasi. menentukan pantulan dasar perairan.
Klasifikasi visual dilakukan untuk memastikan Lyzenga (1978) menggunakan dua kanal
hasil masking darat. dalam formulasi untuk melakukan koreksi
kolom air. Algoritma Lyzenga (1978) adalah
TOA reflektan diperoleh dengan sebagai berikut:
mengalikan nilai piksel dengan koefisien
reflektan (Tabel 2) yang dapat diperoleh di
metadata. Untuk memperoleh reflektan
dibawah permukaan air digunakan metode
Dark-Object Subtraction (DOS) dengan
menggunakan piksel pada perairan dalam. Keterangan : Y = indeks kedalaman invariant;
Li= mewakili nilai spektral dalam band I; Lj =
Metode koreksi sunglint yang digunakan menunjukkan nilai spektral dari band j; ki / kj =
adalah metode (Hedley et al., 2005). Metode koefisien atenuasi air pada pita i dan j

Tabel 1. Resolusi data PlanetScope

Band Spektral Temporal Radiometrik Spasial

Blue 455 - 515 1 hari 16 bit 3m
Green 500 - 590
Red 590 - 670
NIR 780 - 860

Tabel 2. Koefisien reflektan

Band 28 Agustus 2016 07 Februari 2021

Blue 2,2371851 x 10-5 1,7573427 x 10-5
Green 2,3893295 x 10-5 1,9059747 x 10-5
Red 2,6718246 x 10-5 2,2941037 x 10-5

Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.) 327

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

NIR 4,1584574 x 10-5 3,6309893 x 10-5

Model klasifikasi dibangun berdasarkan bersih dan bebas awan. Hasil penelitian ini
nilai band biru, hijau, dan merah dari training menunjukkan hasil yang sama dengan
area dengan mengunakan software R. penelitian yang dilakukan oleh Zhang et al.
Metode yang digunakan adalah Decision tree (2013) yang menganalisis pengaruh kalibrasi
dan Random forest yang merupakan sistem pada data AVIRIS dengan mengunakan
klasifikasi terselia dengan menggunakan metode GEOBIA dan Random forest.
machine learning. Untuk decision tree
digunakan fungsi c50 sedangkan pada Tabel 3. Akurasi model dalam (%)
random forest mengunakan fungsi
randomForest (Core Team R, 2016). Model
Data Random Forest Decision Tree
yang dihasilkan selanjutnya digunakan untuk
melakukan klasifikasi kelas lamun dan non- Mentah 98 98
lamun pada citra sehingga dapat dihasilkan Radiometrik 76 77
informasi luasan lamun di daerah kajian. Sunglint 79 84
Kolom air 76 81
Matriks kesalahan digunakan untuk
melakukan uji akurasi dengan tiga kategori
pada matriks konfusi yaitu akurasi produsen Hasil uji akurasi hasil klasidikasi dengan
akurasi model menunjukkan hasil yang sama
(PA), akurasi penguna (UA), dan akurasi
yaitu akurasi terbaik ditunjukkan oleh data
keseluruhan (OA). Akurasi keseluruhan (OA)
mentah dengan akurasi keseluruhan diatas
merupakan persentasi dari sample yang
90% (Tabel 4). Perbandingan dari kedua
terklasifikasi dengan benar dari total sample,
metode yang digunakan menunjukkan
sedangkan akurasi produsen (PA)
bahwa metode Decision tree menunjukkan
menunjukkan persentasi tingkat kebenaran
hasil uji akurasi terbaik. Penelitian yang
data sampel lapangan akan terklasifikasikan
dilakukan oleh Effrosynidis et al. (2018)
dengan benar pada citra, sedangkan akurasi
membandingkan metode supervised
pengguna (UA) menunjukkan persentasi
machine learning untuk mendeteksi lamun
kemungkinan dari pengguna peta akan
dan menunjukkan bahwa metode berbasis
menemukan informasi yang benar di
pohon yaitu Decision tree dan Random forest
lapangan. Apabila nilai akurasi produser lebih
menunjukkan akurasi terbaik.
kecil dibandingkan dengan akurasi
pengguna pada suatu kelas maka, kelas
Hasil klasifikasi dengan menggunakan
tersebut cenderung overestimate, jika
metode Random forest dan Decision tree
sebaliknya maka cenderung underestimate.
menunjukkan hasil yang tidak terlalu berbeda
secara spasial (Gambar 5). Namun
HASIL DAN PEMBAHASAN
berdasarkan perbandingan akurasi
pengguna dan produser, metode Random
Data yang digunakan untuk
Forest untuk input data mentah menunjukkan
membangun model merupakan data
misklasifikasi pada objek lamun yang ditandai
mentah, data yang sudah dikoreksi
dengan akurasi penguna yang lebih rendah
radiometrik, sunglint, dan kolom air. Hasil
dibandingkan akurasi produser. Kesalahan
model yang dibangun menunjukkan bahwa klasifikasi terjadi di daerah transisi antara
dengan menggunakan kedua metode, hasil perairan dangkal dengan dalam, ombak dan
dengan akurasi terbaik ditunjukkan oleh badan kapal yang ditandai sebagai lamun.
model yang dibangun menggunakan data
mentah. Berdasarkan akurasi model yang Luasan lamun pada tahun 2021
diperoleh untuk membangun model dengan diperoleh melalui model yang dibangun
mengunakan metode machine learning dengan menggunakan data tahun 2016. Hasil
pada data PlanetScope dapat digunakan klasifikasi luasan lamun selanjutnya dilakukan
data mentah tanpa melalui proses kalibrasi manual editing dengan mengidentifikasi
(Tabel 3). Akurasi model yang baik pada data kesalahan klasifikasi dan mengedit simpul
mentah disebabkan oleh kondisi citra yang

328 Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.)

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

vektor yang tidak mewakili lamun. Tindakan ini dengan akurat sehingga dapat digunakan
dilakukan untuk memastikan bahwa tutupan untuk menganalisis perubahan luasan lamun.
lamun sudah mencermikan kondisi lamun

Tabel 4. Uji akurasi

Mentah
Kelas Random Forest Decision Tree
UA PA OA UA PA OA
Lamun 86 98 91 94 94 94
Non-lamun 97 84 94 94
Kalibrasi Radiometrik
Kelas Random Forest Decision Tree
UA PA OA UA PA OA
Lamun 77 54 69 81 68 76
Non-lamun 65 84 84 84
Sunglint
Kelas Random Forest Decision Tree
UA PA OA UA PA OA
Lamun 77 54 69 77 84 80
Non-lamun 65 84 82 76
Kolom air
Kelas Random Forest Decision Tree
UA PA OA UA PA OA
Lamun 73 56 68 80 72 77
Non-lamun 65 80 74 83

a b
Gambar 5. Klasifikasi lamun Tahun 2016 dengan menggunakan metode a. Random forest dan b.
Decision tree (polygon hijau pada gambar menunjukkan objek lamun)

Besaran luasan lamun pada tahun 2016 Luasan lamun turun sekitar 3,19 Ha. Jika
dan 2021 adalah 100,53 Ha menjadi 97,31 Ha. dibandingkan dengan data yang

Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.) 329

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

disampaikan oleh Kabupaten Klungkung terjadi penurunan luasan Lamun sekitar 7,5 Ha
pada Tahun 2012 yang merupakan hasil dari Tahun 2010 – 2016 (Kabupaten Klungkung,
kerjasama survey yang dilakukan antara Coral 2012). Pada Gambar 6 dapat dilihat
Triangle Center bersama Universitas Udayana pengurangan luasan lamun terjadi di selatan

2016 2021

Gambar 6. Luasan lamun dengan menggunakan metode Decision tree (polygon hijau pada
gambar menunjukkan objek lamun)

dan barat Nusa Lembongan. Wilayah selatan mengunakan machine learning menunjukkan
merupakan wilayah pertemuan air dari input data berupa data mentah menunjukkan
Samudera India dengan perairan di Nusa akurasi terbaik dan koreksi atmosferik, sunglint,
Lembongan. Kondisi pengurangan lamun kolom air tidak memberikan dampak pada
yang terjadi wilayah ini sangat dimungkinkan akurasi pemetaan lamun. Model yang
akibat dari kondisi fisis perairan yang berubah dihasilkan dengan mengunakan metode
antara suhu muka laut (Nuryana et al, 2018). machine learning dapat digunakan untuk
Analisis lebih lanjut diperlukan untuk menghasilkan peta lamun pada data lainnya.
mengetahui penyebab penurunan luasan
Analisis luasan lamun pada tahun 2016 dan
lamun seperti overlay dengan informasi fisis
2021 menunjukkan terdapat perubahan yang
dari perairan di daerah kajian. Selain
signifikat terhadap padang lamun di Nusa
penurunan luasan lamun, penambahan
luasan lamun juga terjadi dan dapat dilihat Lembongan.
terjadi pada bagian utara wilayah kajian
dengan dinamika kondisi fisis perairan lebih stabil. UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih

KESIMPULAN
kepada PlanetScope for Education and
Penelitian ini menunjukkan bahwa Research Program untuk data yang
digunakan pada penelitian ini. Penulis juga
akurasi model dan uji akurasi pada pemetaan
mengucapkan terima kasih kepada Pusat
lamun dengan menggunakan citra
Pemanfaatan Penginderaan Jauh, LAPAN
Planetscope dan machine learning
dan Kemenristek/BRIN yang sudah
menunjukkan akurasi baik sehingga dapat
mendukung penelitian ini.
digunakan untuk pemetaan lamun dengan
lebih efektif dan efisien. Pemetaan padang
lamun pada data PlanetScope dengan DAFTAR PUSTAKA

330 Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.)

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

26(10):2107–2112. doi: 10.1080/014311605

Badan Informasi Geospasial. 2012. Informasi 00034086
geospasial mangrove Indonesia. bogor: Hochberg, E.J., Andréfouët, S. & Tyler, M.R.
Pusat Pemetaan dan Informasi Tematik; 2003. Sea surface correction of high
Badan Informasi Geospasial Indonesia; spatial resolution ikonos images to
335pp. improve bottom mapping in near-shore
Badan Pusat Statistik Indonesia. 2018. Statistik environments. IEEE Transactions on
Sumber Daya Laut dan Pesisir 2018. 1–335. Geoscience and Remote Sensing, 41(7
Chan, J.C.W., & Paelinckx, D. 2008. Evaluation PART II):1724–1729. doi: 10.1109/TGRS.
of Random Forest and Adaboost tree- 2003.815408
based ensemble classification and Howard, J., Hoyt, S., Isensee, K., Pidgeon, E., &
spectral band selection for ecotope Telszewski, M. 2014. Coastal Blue Carbon:
mapping using airborne hyperspectral Methods for Assessing Carbon Stocks and
imagery. Remote Sensing of Environment, Emissions Factors in Mangroves, Tidal Salt
112(6):2999-3011. Marshes, and Seagrass Meadows.
Core Team R. 2016. A Language and Arlington, Virginia, USA: Conservation
Environment for Statistical Computing; R International, Intergovernmental Ocean-
Foundation for Statistical Computing. ographic Commission of UNESCO,
Https://Www.R-Project.Org/,Vienna, Austria,. International Union for Conservation of
Duarte, C.M., Tomas, S. & Marba, N. 2013. Nature.
Assessing the CO2 capture potential of Kabupaten Klungkung. 2012. Rencana
seagrass restoration projects. Journal of Pengelolaan KKP Nusa Penida.
Applied Ecology, 50:1341–1349. doi: 10.11 Kabupaten Klungkung, Propinsi Bali.
11/13652664.12155. Koedsin, W., Intararuang, W., Ritchie, R.J. &
Duarte, C.M., Dennison, W.C., Orth, R.J. & Huete, A. 2016. An integrated field and
Carruthers, T.J. 2008. The Charisma of remote sensing method for mapping
Coastal Ecosystems: Addressing the seagrass species, cover, and biomass in
Imbalance. Estuaries and Coasts, Southern Thailand. Remote Sensing,
31(2):233–238. doi: 10.1007/S12237-008- 8(4):p.292. doi: 10.3390/rs8040292
9038-7. Lyzenga, D.R. 1978. Passive remote sensing
Effrosynidis, D., Arampatzis, A. & Sylaios, G. techniques for mapping water depth
2018. Seagrass detection in the and bottom features. Applied Optics,
Mediterranean: A supervised learning 17(3):379-383. doi : 10.1364/ao.17.000379
approach. Ecological Informatics, 48: Lyzenga, D.R. 1981. Remote sensing of bottom
158–170. reflectance and water attenuation
Fauzan, M.A., Kumara, I.S.W., Yogyantoro, R., parameters in shallow water using aircraft
Suwardana, S., Fadhilah, N., Nurmalasari, and landsat data. International Journal of
I., Apriyani, S. & Wicaksono, P. 2017. Remote Sensing, 2(1):71–82. doi : 10.10
Assessing the Capability of Sentinel-2A 80/01431168108948342
Data for Mapping Seagrass Percent Mcleod, E., Chmura, G.L., Bouilon, S., Salm,
Cover in Jerowaru, East Lombok. Rodney., Bjork, M., Duarte, C. M.,
Indonesian Journal of Geography, 49(2): Lovelock, C.E., Schlesinger. W.H. &
195 - 203. Silliman, B.R. 2011. A Blueprint For Blue
Ginting, D.N.B. & Faristyawan, R. 2020. Deteksi Carbon: Toward an Improved
Tipe dan Perubahan Garis Pantai Understanding of The Role Of Vegetated
Menggunakan Analisis Digital Citra Coastal Habitats in Sequestering CO2.
Penginderaan Jauh. Geomatika, 6(1): Frontiers in Ecology and the Environment,
17–24. doi : 10.24895/jig.2020.26-1.977. 9:552-260.
Hedley, J.D., Harborne, A.R., & Mumby, P.J. Mumby, P.J., Clark, C.D., Green, E.P., &
2005. Simple and robust removal of sun Edwards, A.J. 1998. Benefits of water
glint for mapping shallow-water benthos. column correction and contextual
International Journal of Remote Sensing, editing for mapping coral reefs.

Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.) 331

Jurnal Kelautan Tropis November 2021 Vol. 24(3):323-332

International Journal of Remote Sensing, Pangasinan using Worldview-2 satellite

19(1):203–210. doi: 10.1080/01431169821 image. In Proceedings of the IGARSS
6521 2013—2013 IEEE International
Nuryana, J., Hendrawan, I.G. & Karim, W. 2018. Geoscience and Remote Sensing
Pendugaan Kejadian Pemutihan Karang Symposium, Melbourne, VIC, Australia,
Berdasarkan Analisis Suhu Permukaan 21:1579–1582. doi: 10.1109/IGARSS.2013.
Laut (SPL) Tahun 2015-2016 di Perairan 6723091.
Bali. Journal of Marine and Aquatic Zhang, C. & Xie, Z. 2012. Combining object-
Sciences, 4(2):286-296 based texture measures with a neural
Planet. 2017. Planet Imagery Product network for vegetation mapping in the
Specification. San Francisco, CA: Planet Everglades from hyperspectral imagery.
Labs Emisi Gas Rumah Kaca. Remote Sensing of Environment, 124:
Sjafrie, N.D.M., Hernawan, U.E., Prayudha, B., 310e320.
Supriyadi, I.H., Iswari, M.Y., Rahmat., Zhang, C., Selch, D., Xie, Z., Roberts, C.,
Anggaraini, K. & Rahmawati, S.S. 2018. Cooper, H., & Chen, G. 2013. Object-
Status Padang Lamun Indonesia. P2OLIPI. Based Benthic Habitat Mapping In The
Tamondong, A.M. Blanco, A.C. Fortes, M.D. & Florida Keys From hyperspectral Imagery.
Nadaoka, K. 2013. Mapping of seagrass Estuarine, Coastal and Shelf Science, 134:
and other benthic habitats in Bolinao, 88e97.

332 Pemetaan Lamun Mengunakan Machine Learning (Ginting et al.)