Klasifikasi Sedimen Dasar Laut Menggunakan Multibeam Echosounder dan Metode Deep Learning

Abstract

Klasifikasi sedimen dasar laut memiliki peran penting dalam mendukung pengelolaan sumber daya kelautan, konservasi ekosistem, serta perencanaan pembangunan wilayah pesisir. Multibeam Echosounder (MBES) merupakan instrumen akustik yang mampu menghasilkan data batimetri dan hambur balik (backscatter) beresolusi tinggi, sehingga menyediakan informasi penting untuk mengidentifikasi jenis dan karakteristik fisik dasar laut. Namun, metode klasifikasi konvensional masih menghadapi keterbatasan, seperti kebutuhan ekstraksi fitur secara manual dan sensitivitas terhadap ketidakseimbangan data, sehingga akurasinya sering kali tidak konsisten. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja beberapa algoritma deep learning dalam klasifikasi sedimen dasar laut menggunakan data MBES di perairan Pulau Pari, Kepulauan Seribu. Dataset yang digunakan terdiri atas nilai backscatter akustik, kedalaman batimetri, serta empat parameter turunan batimetri, yaitu slope, rugosity, curvature, dan Bathymetric Position Index (BPI) sebagai fitur masukan. Sebanyak 42 sampel sedimen dasar laut dikumpulkan sebagai data ground truth, kemudian dibagi menjadi 50% untuk pelatihan dan 50% untuk pengujian model. Data MBES diolah menggunakan perangkat lunak CARIS HIPS and SIPS, sedangkan parameter turunan dihitung melalui ArcGIS 10.8.2. Evaluasi model dilakukan menggunakan confusion matrix dengan tiga metrik utama, yaitu accuracy, F1-score, dan koefisien kappa (κ). Hasil penelitian menunjukkan bahwa algoritma deep learning mampu memberikan kesesuaian yang substansial, dengan model terbaik memperoleh nilai accuracy sebesar 83,78%, F1-score sebesar 83,27%, dan koefisien kappa sebesar 0,67. Penelitian ini menunjukkan bahwa pendekatan deep learning efektif dalam klasifikasi sedimen dasar laut dan berpotensi besar meningkatkan otomatisasi serta ketelitian pemetaan dasar laut berbasis data MBES.