Klasifikasi Habitat Bentik Berbasis Objek dengan Algoritma Support Vector Machines dan Decision Tree Menggunakan Citra Multispektral SPOT-7 di Pulau Harapan dan Pulau Kelapa.

Teknik klasifikasi berbasis objek dengan algoritma machine learning SVM untuk citra resolusi tinggi di Indonesia sampai saat ini masih terbatas khususnya untuk pemetaan terumbu karang, oleh karena itu diperlukan kajian lebih lanjut mengenai perbandingan metode maupun penerapan algoritma sebagai alternatif dari proses klasifikasi. Penelitian ini bertujuan memetakan habitat bentik berdasarkan klasifikasi multiskala menggunakan metode OBIA dengan algoritma support vector machine dan decision tree di gugus Pulau Harapan dan Kelapa, Kepulauan Seribu. Manfaat penelitian ini diharapkan dapat memberikan informasi habitat bentik Pulau Harapan dan Kelapa berdasarkan klasifikasi berbasis objek dengan penerapan algoritma machine learning yang berbeda. Penelitian ini dilakukan di wilayah perairan dangkal Pulau Harapan dan Kelapa, Kabupaten Administrasi Kepulauan Seribu, DKI Jakarta. Survei lapang dilakukan pada bulan Mei 2016 dan bulan April tahun 2017. Bahan yang digunakan adalah citra multispektral SPOT-7 akuisisi 12 Juni 2016. Metode yang digunakan terdiri dari metode transek foto kuadrat (identifikasi data lapangan), koreksi atmosferik, radiometrik dan geometrik (pra-pemrosesan citra), analisis klaster (skema klasifikasi habitat bentik), klasifikasi citra berbasis objek (OBIA), dan uji akurasi klasifikasi. Metode OBIA diterapkan dengan teknik klasifikasi multiskala yang dibagi menjadi 3 level yaitu reef level (level 1), zona geomorfologi (level 2), dan habitat bentik (level 3). Klasifikasi multiskala diimplementasikan dengan perbedaan besaran parameter skala segmentasi. Skala segmentasi yang digunakan untuk setiap level 1 dan 2 masing-masing yaitu 100 dan 50, sedangkan pada level 3 dengan optimasi parameter skala masing-masing yaitu 5, 10, 15, 20, 30. Hasil uji akurasi metode OBIA menunjukkan akurasi keseluruhan klasifikasi level 1 dan level 2 sebesar 96% dan 85%. Penerapan algoritma SVM dan DT diterapkan hanya pada level 3 dengan nilai optimum pada skala segmentasi 15. Akurasi keseluruhan penerapan algoritma bayes dan KNN menghasilkan akurasi masing-masing sebesar 75,11% dan 60,34%. Faktor utama yang mempengaruhi peningkatan akurasi dengan algoritma SVM adalah kemampuan penggunaan data dengan ciri probabilitas empiris yang tidak diketahui. Analisis nilai Z statistik yang diperoleh dari penerapan dua algoritma yang digunakan yakni sebesar 2,23, dimana nilai ini menunjukkan bahwa klasifikasi dengan algoritma SVM berbeda nyata dengan hasil dari penggunaan algoritma DT.