<![CDATA[Lanskap ekosistem pesisir terdiri dari beragam ekosistem yang kompleks, di mana ekosistem mangrove menjadi salah satu komponen integral yang penting. Keberlanjutan ekosistem pesisir sangat bergantung pada keberadaan mangrove, sehingga pemetaan hutan mangrove merupakan langkah krusial untuk tujuan konservasi dan pengelolaan lingkungan. Penelitian ini bertujuan untuk memetakan distribusi hutan mangrove dan kelas non-mangrove menggunakan algoritma Extreme Gradient Boosting (XGBoost) dan Multilayer Perceptron (MLP) berbasis citra Sentinel-2. Variabel prediktor yang digunakan meliputi band spektral biru, hijau, merah, near-infrared (NIR), shortwave infrared 1 (SWIR 1), dan shortwave infrared 2 (SWIR 2). Selain itu, penelitian ini juga menggunakan lima indeks spektral, yaitu, Normalized Difference Vegetation Index (NDVI), Normalized Difference Built-up Index (NDBI), Modified Normalized Difference Water Index (MNDWI), Normalized Difference Moisture Index (NDMI), dan Combined Mangrove Recognition Index (CMRI). Evaluasi akurasi dilakukan menggunakan confusion matrix, classification report, overall accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma XGBoost menghasilkan overall accuracy sebesar 95,50%, sedangkan MLP menghasilkan overall accuracy sebesar 93,89%. Nilai tersebut menunjukkan bahwa kedua algoritma mampu mengklasifikasikan hutan mangrove dan kelas non-mangrove dengan tingkat akurasi yang tinggi. Namun, XGBoost menunjukkan performa yang lebih unggul dibandingkan MLP berdasarkan nilai akurasi keseluruhan dan metrik evaluasi klasifikasi. Hasil klasifikasi juga menunjukkan bahwa XGBoost mendeteksi hutan mangrove seluas 429,35 ha, sedangkan MLP mendeteksi hutan mangrove seluas 407,10 ha. Dengan demikian, pendekatan machine learning berbasis citra Sentinel-2, khususnya algoritma XGBoost dan MLP, dapat digunakan sebagai metode yang efektif untuk pemetaan hutan mangrove dan mendukung pengelolaan ekosistem pesisir secara berkelanjutan.]]>
Copyrights © 2026
