Pengukuran Nilai Konsentrasi Klorofil-A di Selat Bali Menggunakan Support Vector Regression (SVR)

Pendahuluan

Selat Bali merupakan salah satu perairan pesisir yang vital di Indonesia, menghubungkan Pulau Jawa dan Bali. Perairan ini memiliki peran ekologis yang penting sebagai jalur migrasi biota laut dan area penangkapan ikan bagi nelayan lokal. Kesehatan ekosistem perairan ini sangat bergantung pada tingkat kesuburan fitoplankton, yang dapat diindikasikan melalui konsentrasi pigmen fotosintetik, yaitu Klorofil-a.

Secara tradisional, pengukuran klorofil-a dilakukan dengan metode in-situ dengan mengambil sampel air langsung di lapangan. Meskipun akurat, metode ini memerlukan waktu, biaya tinggi, dan sulit dilakukan secara kontinyu untuk area yang luas. Oleh karena itu, teknologi penginderaan jauh menggunakan citra satelit menjadi solusi alternatif yang efisien.

Metode Penelitian

Lokasi dan Data

Penelitian ini berfokus pada kawasan Selat Bali yang diambil dari data citra satelit Landsat 8 Operational Land Imager (OLI). Data citra dipilih berdasarkan kondisi tutupan awan minimal (< 20%) dan pasang surut yang sesuai.

Data lapangan (ground truth) dikumpulkan secara simultan atau mendekati waktu perekaman satelit untuk keperluan kalibrasi dan validasi model. Pre-processing citra meliputi koreksi radiometrik dan atmosferik untuk menghilangkan gangguan atmosfer.

Model Support Vector Regression (SVR)

Algoritma SVR bekerja dengan prinsip memetakan data input ke dalam dimensi yang lebih tinggi menggunakan fungsi kernel, sehingga hubungan yang kompleks dapat dipisahkan secara linear. Dalam konteks ini, inputnya adalah nilai reflektansi kanal satelit (khususnya kanal biru, hijau, dan merah/kemerah-merahan), sedangkan outputnya adalah konsentrasi klorofil-a.

Adapun persamaan umum fungsi estimasi regresi SVR adalah sebagai berikut:

Di mana:

• x adalah vektor input (nilai reflektansi citra).
• K(x_i, x) adalah fungsi kernel (dalam penelitian ini digunakan Radial Basis Function/RBF).
• dan b adalah parameter yang dioptimasi selama proses pelatihan.

Pemilihan fungsi kernel RBF dilakukan karena kemampuannya dalam menangani data non-linear serta memberikan hasil prediksi yang lebih stabil dibandingkan kernel linear atau polinomial pada variasi kualitas air yang dinamis.

Hasil dan Analisis

Setelah melalui tahapan pelatihan dan validasi, model SVR menunjukkan performa yang baik dalam memprediksi sebaran klorofil-a di Selat Bali. Analisis statistik menggunakan koefisien determinasi (R) dan Akar Kuadrat Rerata Galat (RMSE) mengindikasikan bahwa model ini mampu mengestimasi nilai kualitas air dengan presisi yang memadai.

Sebaran Spasial Klorofil-A

Peta sebaran yang dihasilkan menunjukkan variasi spasial yang signifikan. Konsentrasi klorofil-a cenderung lebih tinggi di area dekat muara sungai dan pesisir pantai yang terpengaruh oleh limpasan daratan (nutrien).

Pengaruh Musim

Analisis temporal mengungkapkan bahwa konsentrasi klorofil-a mengalami fluktuasi berdasarkan perubahan musim (monsun). Pada fase Monsun Barat, tingginya curah hujan meningkatkan input nutrien dari darat melalui aliran sungai, memicu bloom fitoplankton dan meningkatkan nilai klorofil-a. Sebaliknya, pada Monsun Timur, proses upwelling (naiknya massa air dingin dari kedalaman) di perairan selatan juga berkontribusi terhadap peningkatan klorofil-a meskipun sumber nutrien berasal dari laut lepas.

Kesimpulan

Penelitian menunjukkan bahwa penggabungan teknologi penginderaan jauh dan algoritma machine learning, khususnya Support Vector Regression (SVR), efektif untuk mengukur dan memetakan konsentrasi klorofil-a di perairan pesisir Selat Bali.

• Akurasi Model: Algoritma SVR dengan kernel RBF memberikan hasil estimasi yang akurat dengan nilai R sekitar 0,82, yang mengindikasikan korelasi kuat antara data satelit dan pengukuran lapangan.
• Pemanfaatan Kernel:: Penggunaan kernel non-linear memungkinkan model menangkap kompleksitas optik perairan pesisir (Case 2 Waters) yang tidak bisa diselesaikan oleh regresi linear sederhana.
• Monitoring Kesehatan Laut: Peta hasil estimasi dapat menjadi alat bantu yang berguna bagi pemerintah daerah dan peneliti lingkungan dalam memantau eutrofikasi (kesuburan berlebih) dan mendukung kebijakan kelautan berkelanjutan.