Sistem Klasifikasi Perubahan Lahan pada Ekosistem Pesisir Berbasis Deep Learning Menggunakan Citra Sentinel-2: Studi Kasus: Tanjung Tiram, Sulawesi Tenggara

Annisa Nurfadilah; Rizal Saputra; Muhammad Ihsan Sarita

doi:10.56211/sudo.v5i1.1635

Authors

Annisa Nurfadilah Universitas Halu Oleo
Rizal Saputra Universitas Halu Oleo
Muhammad Ihsan Sarita Universitas Halu Oleo

DOI:

https://doi.org/10.56211/sudo.v5i1.1635

Keywords:

Deep Learning; Ekosistem Pesisir; Klasifikasi Tutupan Lahan; Sentinel-2; UNet-ResNet34

Abstract

Perubahan tutupan lahan pada ekosistem pesisir merupakan isu lingkungan global yang signifikan karena berdampak langsung terhadap fungsi ekologis dan keberlanjutan hayati. Tanjung Tiram, Sulawesi Tenggara, merupakan kawasan pesisir yang rentan terhadap degradasi akibat tekanan aktivitas antropogenik, sehingga memerlukan pendekatan pemantauan yang otomatis dan akurat. Penelitian ini mengembangkan sistem klasifikasi dan kuantifikasi perubahan tutupan lahan pesisir yang berfokus pada ekosistem mangrove, terumbu karang, dan padang lamun. Data utama menggunakan citra Sentinel-2 Level-2A yang diproses melalui Google Earth Engine, dengan penerapan arsitektur Deep Learning hybrid UNet–ResNet34 untuk melakukan segmentasi semantik tingkat piksel. Hasil penelitian menunjukkan kinerja klasifikasi yang kuat dengan nilai akurasi sebesar 84,31% untuk mangrove, 95,99% untuk terumbu karang, dan 89,41% untuk padang lamun. Kemampuan segmentasi model dinilai representatif dengan capaian Mean IoU sebesar 0,6124 secara keseluruhan. Analisis multi-temporal periode 2018–2025 mengungkapkan dinamika spasial yang signifikan, ditandai dengan peningkatan luas mangrove sebesar 35,53% (95,20 ha), namun terjadi penurunan luas terumbu karang dan padang lamun masing-masing sebesar 32,39% (29,20 ha) dan 26,68% (98,76 ha). Temuan ini menegaskan bahwa integrasi Sentinel-2 dan Deep Learning mampu menyediakan informasi spasial yang andal untuk mendukung pengelolaan pesisir berkelanjutan. Sistem ini dapat diadopsi oleh pemerintah daerah sebagai platform pemantauan ekosistem pesisir secara real-time guna mendukung pengambilan keputusan konservasi yang responsif dan berbasis data.

Downloads

Download data is not yet available.

References

[1] P. Pidella and E. Mokodompit, “Sustainable Development Goal 14 : Menuju Pembangunan Berkelanjutan Berbasis Laut di Indonesia,” Kohesi: Jurnal Multidisiplin Saintek, vol. 8, no. 11, pp. 1–8, 2025, doi: 10.8734/Kohesi.v1i2.365.

[2] L. M. Salayan, H. Wulandari, and M. K. Huda, “Peran Ekosistem Laut dalam Konservasi Keanekaragaman Hayati di Indonesia,” Journal of Natural Sciences, vol. 5, no. 3, pp. 234–244, Nov. 2024, doi: 10.34007/jonas.v5i3.717. DOI: https://doi.org/10.34007/jonas.v5i3.717

[3] M Ambari, “Mangrove dan Lamun, Ekosistem Penting di Wilayah Pesisir Laut,” Mongabay. Accessed: Oct. 13, 2025. [Online]. Available: https://mongabay.co.id/2022/12/16/mangrove-dan-lamun-ekosistem-penting-di-wilayah-pesisir-laut/

[4] S. Adibrata, W. Adi, F. Angelia, and U. Komarullah, “Reef Fish Community Structure in The Waters of Small Islands Central Bangka Regency,” Nekton, vol. 4, no. 1, pp. 1–15, Mar. 2024, doi: 10.47767/nekton.v4i1.724. DOI: https://doi.org/10.47767/nekton.v4i1.724

[5] Peraturan BPK, “Peraturan Pemerintah Republik Indonesia Nomor 27 Tahun 2025 Tentang Pengelolaan Ekosistem Mangrove,” 2025. Accessed: Oct. 13, 2025. [Online]. Available: https://peraturan.bpk.go.id/Details/320198/pp-no-27-tahun-2025

[6] Yus Rusila Noor, “Mangrove Breakthrough Menjaga 20 Persen Hutan Mangrove Dunia Untuk Masa Depan,” Wetlands International. Accessed: Oct. 13, 2025. [Online]. Available: https://indonesia.wetlands.org/id/mangrove-breakthrough-menjaga-20-persen-hutan-mangrove-dunia-untuk-masa-depan/

[7] M. F. Purnama, A. G. Pratikino, A. Abdullah, L. O. A. Afu, and M. T. F. Erawan, “Niche Architecture of Thalassina Anomala in The Mangrove Ecosystem of Tanjung Tiram Village, South Konawe Regency - Southeast Sulawesi,” Jurnal Perikanan Budidaya Berkelanjutan, vol. 4, no. 1, pp. 1–8, 2020. DOI: https://doi.org/10.23960/aqs.v8i2.p841-852

[8] E. Kurniawati, D. Apdillah, and J. Safitri, “Pemetaan Habitat Bentik Menggunakan Citra Sentinel-2a dengan Algoritma Maximum Likelihood Classification di Desa Pengudang,” J. Mar. Res., vol. 14, no. 2, pp. 263–276, May 2025, doi: 10.14710/jmr.v14i2.48946. DOI: https://doi.org/10.14710/jmr.v14i2.48946

[9] A. R. Basar and B. Irawan, “Rancang Bangun Aplikasi Absensi Berbasis Webcam dan Geolokasi Pada Badan Pengusahaan Batam,” JT-IBSI: Jurnal Teknik Ibnu Sina, vol. 10, no. 1, pp. 144–155, Jun. 2025, doi: 10.36352/jt-ibsi.v10i1.1189. DOI: https://doi.org/10.36352/jt-ibsi.v10i1.1189

[10] European Space Agency, “S2 Mission,” SentiWiki.

[11] Valentina Boccia and Zoltan Szantoi, “Copernicus Sentinel-2 Mission: Calibration and Validation Activities,” GSICS: Global Space-based Inter-Calibration System, vol. 52, no. 1, pp. 253–255, 2020. DOI: https://doi.org/10.1080/22797254.2019.1582840

[12] P. Turissa et al., “Sentinel-2A Multispectral Image Analysis for Seagrass Mapping in Bintan’s Shallow Water Ecosystem: A Case Study of Teluk Bakau, Malang Rapat, and Berakit villages,” Kuwait Journal of Science, vol. 51, no. 4, pp. 2307–4108, Oct. 2024, doi: 10.1016/j.kjs.2024.100286. DOI: https://doi.org/10.1016/j.kjs.2024.100286

[13] L. O. Alifatri, B. Prayudha, and K. Anggraini, “Klasifikasi Habitat Bentik Berdasarkan Citra Sentinel-2 di Kepulauan Kei, Maluku Tenggara,” Jurnal Ilmu Pertanian Indonesia, vol. 27, no. 3, pp. 372–384, Jul. 2022, doi: 10.18343/jipi.27.3.372. DOI: https://doi.org/10.18343/jipi.27.3.372

[14] R. Amelia and dan Darmansyah, “Potensi Google Earth Engine Untuk Identifikasi Objek Wilayah Perairan Pada Citra Satelit Sentinel-2,” EQUIVA JOURNAL Journal of Mathematics & Information Technology, vol. 1, no. 1, pp. 19–24, 2023, doi: https://doi.org/10.35718/equiva.v1i1.759.

[15] N. C. I. Natun and S. Sumarlin, “Analisis Perbandingan Klasifikasi Supervised dan Unsupervised Citra Satelit Landsat Untuk Pemetaan Penutupan Lahan di Kabupaten Kupang,” Jurnal Manajamen Informatika Jayakarta, vol. 5, no. 2, pp. 142–152, Mar. 2025, doi: 10.52362/jmijayakarta.v5i2.1812. DOI: https://doi.org/10.52362/jmijayakarta.v5i2.1812

[16] H. Wang, J. Wu, and C. Chen, “Expanding Horizons: U-Net Enhancements for Semantic Segmentation of Ocean Remote Sensing Images,” Journal of Remote Sensing, vol. 4, pp. 1–5, 2024, doi: 10.34133/remotesensing.0196. DOI: https://doi.org/10.34133/remotesensing.0196

[17] A. Ramdhani, Y. Widhiyasana, and S. Rachmat, “Perbandingan Model U-Net dan ELU-Net Untuk Segmentasi Semantik Citra Medis Kanker Pankreas,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 14, no. 1, pp. 44–51, Feb. 2025, doi: 10.22146/jnteti.v14i1.15262. DOI: https://doi.org/10.22146/jnteti.v14i1.15262

[18] H. Fahmi, “Patch Based Classification Using ResNet for Land Cover Changes Detection of Batu City,” MATICS: Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 14, no. 2, pp. 64–69, 2022. DOI: https://doi.org/10.18860/mat.v14i2.20946

[19] D. Pamundi, Wiharto, and E. Suryani, “Power-Line Road Segmentation Menggunakan Improved Residual Networks,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 1o, no. 2, pp. 237–244, 2024, doi: https://doi.org/10.26418/jp.v10i2.77946. DOI: https://doi.org/10.26418/jp.v10i2.77946

[20] S. Darmawan, N. N. Nurulhakim, and R. Hernawati, “Kecerdasan Buatan Berbasis Geospasial (GeoAI) Menggunakan Google Earth Engine Untuk Monitoring Fenomena Urban Heat Island di Indonesia,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 12, no. 2, pp. 303–320, Apr. 2024, doi: 10.26760/elkomika.v12i2.303. DOI: https://doi.org/10.26760/elkomika.v12i2.303

[21] D. Apriyanti, I. Layali, M. Gomereuzzaman, N. W. Pratiwi, and R. D. Martasari, “Monitoring Perubahan Tutupan Lahan Kabupaten Klaten Tahun 2019 dan 2023 Selama Pembangunan Jalan Tol Yogyakarta – Solo Menggunakan Google Earth Engine (GEE),” Jurnal Geodesi dan Geomatika, vol. 08, no. 01, pp. 1–11, 2025, doi: https://doi.org/10.14710/baf.%v.%i.%Y.%p. DOI: https://doi.org/10.14710/elipsoida.2025.25698

[22] D. Mirwansyah, A. Solichin, R. Hardi, N. Sari, N. Rizki, and D. Aldo, “Augmentasi Citra Pohon Kelapa Sawit untuk Deteksi Objek Berbasis Deep Learning,” Metrik Jurnal, vol. 9, no. 1, pp. 195–202, 2025, doi: 10.47002/metik.v9i1.1001.

[23] R. A. Saputra, L. M. G. Jaya, and E. N. P. Hermas, “Using Support Vector Machine to Identify Land Cover Change Detection in Komodo National Park During COVID-19 Pandemic,” Geodesy and Cartography, vol. 75, no. 2, pp. 1–12, 2024, doi: 10.22364/geodesy.2.2024.