Perpustakaan Digital ITB

Peningkatan konsentrasi nutrien memicu eutrofikasi dan mekar alga yang mengancam ekosistem pesisir. Teluk Ambon Dalam (TAD) rentan terhadap fenomena ini akibat konfigurasi batimetri semi-tertutup dengan ambang dangkal yang membatasi sirkulasi pasang surut. Sebagian besar algoritma penginderaan jauh optik gagal mengestimasi klorofil-a di TAD karena tingginya gangguan optik dari sedimen tersuspensi, yang menghasilkan deteksi positif palsu. Penelitian ini menggunakan arsitektur Convolutional Neural Network (CNN) untuk memetakan klorofil-a secara spasial. Model ini menggunakan lima pita spektral optik mentah satelit Sentinel-2 sebagai input dan Normalized Difference Chlorophyll Index (NDCI) sebagai target luaran, tanpa memerlukan input lingkungan tambahan. Evaluasi kinerja menunjukkan akurasi tinggi pada kondisi perairan stabil di bulan Februari 2024, mencatat nilai R² sebesar 0,9085 dan Root Mean Square Error (RMSE) 0,0178, serta R² 0,8667 dengan RMSE 0,0262 pada November 2023. Pada periode ini, stratifikasi termal menjebak nutrisi antropogenik di pesisir timur, dan CNN secara presisi memetakan pertumbuhan alga terlokalisasi tersebut. Penurunan presisi terjadi saat musim muson tenggara pada Juni 2020 dengan R² 0,5929 dan RMSE 0,0655. Arus naik dari Laut Banda menarik massa air padat nutrisi melewati ambang dangkal sekaligus mengaduk material sedimen dasar laut ke permukaan. Tingginya konsentrasi padatan tersuspensi ini mendistorsi sinyal optik klorofil-a, memicu algoritma memproduksi estimasi berlebih (overestimate) nilai NDCI secara ekstrem. Secara keseluruhan, CNN mampu menekan gangguan sinyal sedimen secara langsung melalui komputasi matematis. Model ini terbukti akurat dalam memetakan distribusi klorofil-a pada kondisi oseanografi yang stabil di perairan pesisir yang kompleks.