<![CDATA[Tumpahan minyak (oil spill) merupakan salah satu bentuk pencemaran laut yang dapat menimbulkan dampak serius terhadap ekosistem pesisir dan aktivitas ekonomi masyarakat. Teknologi Synthetic Aperture Radar (SAR) banyak digunakan untuk mendeteksi tumpahan minyak karena mampu beroperasi pada siang maupun malam hari serta tidak dipengaruhi oleh kondisi cuaca. Penelitian ini bertujuan mengembangkan model deteksi dini potensi tumpahan minyak menggunakan algoritma Extreme Gradient Boosting (XGBoost) berdasarkan fitur hasil ekstraksi citra SAR. Dataset yang digunakan terdiri atas data numerik hasil ekstraksi citra SAR dengan label biner oil spill dan non-oil spill. Untuk mengatasi permasalahan ketidakseimbangan kelas, penelitian menerapkan metode Synthetic Minority Oversampling Technique (SMOTE) pada data pelatihan. Performa model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa model XGBoost mampu mencapai nilai accuracy sebesar 96,28%, precision 57,14%, recall 50,00%, F1-score 53,33%, dan ROC-AUC 94,51%. Selain menghasilkan klasifikasi biner, model juga mampu menghasilkan nilai probabilitas yang dikategorikan ke dalam tingkat risiko Low, Moderate, High, dan Very High sebagai dasar prioritas pemantauan. Hasil penelitian menunjukkan bahwa kombinasi XGBoost dan SMOTE berpotensi mendukung pengembangan sistem deteksi dini tumpahan minyak yang lebih cepat, otomatis, dan efisien berbasis data SAR.]]>
Copyrights © 2026
