Electronic Theses and Dissertation

Kabupaten Aceh Tamiang merupakan salah satu wilayah pesisir di Provinsi Aceh yang memiliki ekosistem hutan mangrove yang sangat penting dalam menjaga keseimbangan lingkungan hidup, baik secara ekologis, ekonomis, maupun sosial. Ekosistem ini berfungsi sebagai pelindung alami pesisir dari abrasi serta pendukung kehidupan masyarakat pesisir. Namun, seiring dengan meningkatnya aktivitas pembangunan dan alih fungsi lahan di wilayah pesisir, terjadi tekanan terhadap ekosistem mangrove yang dapat menyebabkan penurunan luasan areal mangrove secara signifikan. Oleh karena itu, dibutuhkan upaya pemetaan dan pemantauan yang akurat untuk mengetahui kondisi sebaran mangrove saat ini. Penelitian ini bertujuan untuk memetakan tutupan mangrove serta mengevaluasi tingkat akurasi hasil klasifikasi menggunakan empat jenis metode klasifikasi citra berbasis piksel, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Maximum Likelihood (MLC), dan Random Trees (RT), dengan memanfaatkan data citra satelit Sentinel-2A. Pengolahan data dilakukan melalui serangkaian tahapan yaitu pra-klasifikasi berupa komposit band, mosaik dan pemotongan citra, kemudian dilanjutkan dengan klasifikasi terbimbing (supervised classification), validasi lapangan, serta uji akurasi dengan metode stratified random sampling yang dirancang untuk memastikan keterwakilan kelas secara proporsional.
Berdasarkan hasil klasifikasi, diketahui bahwa metode SVM menghasilkan luas tutupan mangrove paling besar yaitu sebesar 13.758,90 ha. Disusul oleh metode RT dengan luas 13.703,02 ha, kemudian KNN sebesar 13.526,31 ha, dan yang terkecil diperoleh dari metode MLC dengan luas 13.508,75 ha. Variasi hasil luasan ini mencerminkan perbedaan kemampuan masing-masing metode dalam membedakan objek mangrove berdasarkan karakteristik spektralnya. Secara visual, SVM memberikan hasil yang cukup baik. Bentuk objek mangrove terdeteksi cukup konsisten, dengan batas klasifikasi yang tergolong tajam Selanjutnya, pengujian akurasi terhadap hasil klasifikasi menunjukkan bahwa metode SVM unggul dibandingkan metode lainnya dengan nilai overall accuracy sebesar 93,33% dan nilai kappa accuracy mencapai 86,67%. Metode RT berada di urutan kedua dengan nilai akurasi keseluruhan 90,00% dan kappa accuracy 80,00%. Sedangkan metode KNN dan MLC menunjukkan nilai akurasi yang sama yaitu 86,67%, namun nilai kappa-nya sedikit berbeda, masing-masing sebesar 73,45% dan 73,33%. Nilai-nilai ini menunjukkan bahwa seluruh metode masih memenuhi standar minimum akurasi klasifikasi penginderaan jauh dengan nilai overall accuracy >75% dan koefisien kappa yang masuk dalam kategori tinggi.
Kesimpulan dari penelitian ini menunjukkan bahwa pemilihan metode klasifikasi citra sangat mempengaruhi kualitas dan akurasi hasil pemetaan tutupan mangrove. Classifier SVM terbukti sebagai metode yang paling optimal dalam mengklasifikasikan vegetasi mangrove di wilayah studi karena mampu mengenali pola spektral secara lebih efektif. Pemanfaatan data citra Sentinel-2A yang dikombinasikan dengan pendekatan klasifikasi berbasis piksel memberikan hasil pemetaan yang akurat, efisien, dan representatif terhadap kondisi ekosistem mangrove yang sebenarnya. Informasi spasial ini sangat penting untuk mendukung pengambilan kebijakan pengelolaan wilayah pesisir secara berkelanjutan, baik untuk konservasi, rehabilitasi, maupun pengawasan terhadap perubahan penggunaan lahan di kawasan pesisir Kabupaten Aceh Tamiang.

Aceh Tamiang Regency is a coastal area in Aceh Province with a mangrove forest ecosystem that is crucial for maintaining environmental balance, ecologically, economically, and socially. This ecosystem serves as a natural coastal barrier against abrasion and supports the livelihoods of coastal communities. However, increasing development activities and land conversion in coastal areas have put pressure on the mangrove ecosystem, leading to a significant reduction in mangrove area. Therefore, accurate mapping and monitoring efforts are needed to determine the current condition of mangrove distribution. This study aims to map mangrove cover and evaluate the accuracy of the classification results using four types of pixel-based image classification methods: Support Vector Machine (SVM), K-Nearest Neighbor (KNN), Maximum Likelihood (MLC), and Random Trees (RT), utilizing Sentinel-2A satellite imagery data. Data processing was carried out through a series of stages: pre-classification using band composites, mosaics, and image cropping, followed by supervised classification, field validation, and accuracy testing using a stratified random sampling method designed to ensure proportional class representation. Based on the classification results, it is known that the SVM method produced the largest mangrove cover area of 13,758.90 ha. Followed by the RT method with an area of 13,703.02 ha, then KNN at 13,526.31 ha, and the smallest was obtained from the MLC method with an area of 13,508.75 ha. The variation in the area results reflects the differences in the ability of each method to distinguish mangrove objects based on their spectral characteristics. Visually, SVM provides quite good results. The shape of the mangrove objects is detected quite consistently, with a relatively sharp classification boundary. Furthermore, accuracy testing of the classification results shows that the SVM method is superior to other methods with an overall accuracy value of 93.33% and a kappa accuracy value reaching 86.67%. The RT method is in second place with an overall accuracy value of 90.00% and a kappa accuracy of 80.00%. While the KNN and MLC methods showed the same accuracy value of 86.67%, their kappa values differed slightly, at 73.45% and 73.33%, respectively. These values indicate that all methods still meet the minimum standards for remote sensing classification accuracy, with an overall accuracy value of >75% and a kappa coefficient in the high category. The conclusion of this study indicates that the choice of image classification method significantly influences the quality and accuracy of mangrove cover mapping results. The SVM classifier proved to be the most optimal method for classifying mangrove vegetation in the study area due to its ability to recognize spectral patterns more effectively. The use of Sentinel-2A image data combined with a pixel-based classification approach provided accurate, efficient, and representative mapping results of the actual condition of the mangrove ecosystem. This spatial information is crucial for supporting sustainable coastal area management policies, including conservation, rehabilitation, and monitoring land use change in the coastal areas of Aceh Tamiang Regency.