digilib@itb.ac.id +62 812 2508 8800

Abstrak - ANANG DWI PURWANTO
PUBLIC Irwan Sofiyan

COVER Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 1 Anang Dwi Purwanto
PUBLIC Irwan Sofiyan

BAB 2 Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 3 Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 4 Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 5 Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

PUSTAKA Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

LAMPIRAN Anang Dwi Purwanto
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Hutan mangrove memiliki peranan sangat penting dalam menjaga keseimbangan alam di sekitarnya, namun kondisi perubahan lahan mangrove saat ini semakin meningkat dan cenderung tidak terkendali. Program rehabilitasi dan monitoring mangrove nasional semakin intensif dilakukan dan seyogyanya dapat diiringi dengan upaya pencegahan terhadap potensi perubahan lahan mangrove yang lebih besar, salah satunya dengan pemanfaatan teknologi melalui pendekatan geospatial machine learning yang dapat mengurangi kesalahan klasifikasi dan memberikan akurasi tinggi dalam identifikasi perubahan lahan mangrove. Faktor-faktor penyebab perubahan lahan mangrove pada suatu lokasi dengan lokasi lainnya cenderung berbeda (terdapat heterogenitas spasial) sehingga diperlukan pendekatan baru melalui penggunaan regresi lokal untuk menghasilkan model yang lebih optimal dan mampu menjelaskan fenomena yang sebenarnya. Tujuan penelitian adalah membangun algoritma klasifikasi hibrid berbasis geospatial machine learning untuk membedakan tutupan lahan mangrove dan nonmangrove dan menganalisis faktor-faktor lokal yang mempengaruhi perubahan lahan hutan mangrove. Lokasi penelitian dilakukan di Kawasan Segara Anakan, Kabupaten Cilacap, Provinsi Jawa Tengah dengan total pengambilan sampel lapangan sebanyak 325 titik. Pendekatan teknik klasifikasi hibrid yang diterapkan adalah dengan melakukan optimasi algoritma klasifikasi random forest (RF) dan decision tree (DT) serta penggunaan data spektral dan non-spektral dengan melibatkan peran manusia (human) dan machine learning. Pemilihan feature terbaik dalam membangun algoritma klasifikasi hibrid menggunakan modified recursive feature elimination (MRFE). Metode geographically weighted logistic regression (GWLR) digunakan untuk mengestimasi faktor-faktor penyebab perubahan lahan mangrove sehingga hubungan antara variabel dependen dan independen sangat bervariasi di semua lokasi. Final kebaruan penelitian ini diantaranya menemukan feature-feature penting yang dapat digunakan untuk membangun algoritma klasifikasi hibrid berbasis geospatial machine learning dalam identifikasi perubahan lahan mangrove dengan akurasi tinggi. Selain itu, hasil analisis faktor penyebab perubahan lahan mangrove yang bervariasi berimplikasi pada perumusan kebijakan yang juga berbeda antara satu lokasi mangrove dengan lokasi lainnya sehingga dapat mendukung pengelolaan ekosistem mangrove yang berkelanjutan. Hasil penelitian menunjukkan bahwa algoritma klasifikasi hibrid dibangun berdasarkan 5 (lima) feature penting yaitu digital elevation model (DEM), near-infrared (NIR), normalized difference moisture index (NDMI), normalized difference water index (NDWI) dan distance from brackish water river (DBWR) yang mampu memetakan objek mangrove dan nonmangrove secara time series dan mampu meningkatkan akurasi keseluruhan sebesar 0,48% (dari 90,71% ke 91,19%) dan akurasi kappa sebesar 0,01 (dari 0,81 ke 0,82). Faktor-faktor lokal yang mempengaruhi perubahan lahan mangrove didominasi oleh faktor kepadatan penduduk dan sebagian kecil salinitas pada lokasi kajian bagian barat, jarak dari tambak pada lokasi kajian bagian tengah, dan jarak dari permukiman pada lokasi kajian bagian timur. Hasil dan kebaruan penelitian juga memberikan kontribusi dalam pemahaman proses klasifikasi mangrove menggunakan pendekatan geospatial machine learning dan feature-feature penting yang berkaitan erat dengan habitat ekosistem mangrove serta dapat mendukung langkah-langkah mitigasi kerusakan mangrove yang tepat. Data citra satelit dan feature-feature penting yang terpilih dapat diperoleh secara mudah sehingga model yang telah dikembangkan berpotensi besar untuk dapat diterapkan di lokasi mangrove lainnya, namun kualitas data citra yang digunakan seperti kondisi tutupan awan yang minimal harus tetap diperhatikan untuk menghasilkan model klasifikasi yang lebih optimal.