Perpustakaan Digital ITB

Tantangan tutupan awan yang tinggi di wilayah perairan tropis memicu kelangkaan data observasi satelit temporal, sehingga menghambat pemantauan produktivitas primer secara kontinu. Masalah utama yang dikaji adalah hilangnya informasi spasiotemporal pada data satelit akibat kendala atmosfer tersebut. Penelitian ini dilakukan melalui akusisi data satelit Sentinel-3 OLCI (November 2017 – November 2025), prapemrosesan pembuatan tutupan awan buatan, pelatihan model dengan memprediksi nilai konsentrasi klorofil-a pada daerah tutupan buatan, hingga uji validasi dan analisis korelasi. Penelitian bertujuan untuk mengimplementasikan dan mengevaluasi arsitektur deep learning untuk menghasilkan dataset klorofil-a yang utuh dan kontinu. Metode yang diimplementasikan adalah jaringan Attention U-Net berbasis Self-Supervised Learning (SSL). Hasil evaluasi kuantitatif menunjukkan model memiliki tingkat akurasi yang tinggi terhadap data observasi, ditandai oleh perolehan nilai Structural Similarity Index Measure (SSIM) sebesar 0,909 dan Root Mean Square Error (RMSE) sebesar 0,148 mg/m3. Analisis performa model secara musiman menunjukkan akurasi model yang konsisten di seluruh musim, dengan rentang nilai Mean Absolute Error (MAE) spasial yang rendah antara 0,108 mg/m3 hingga 0,147 mg/m3. Secara keseluruhan, disimpulkan bahwa arsitektur Attention U-Net memiliki validitas rekonstruksi yang baik untuk menghasilkan dataset klorofil-a yang kontinu.