Klasifikasi Jenis Sedimen Dasar Laut Menggunakan Data Multispektral Backscatter dan Fitur Batimetri Multifrekuensi Dengan Metode Dense Neural Network

Fauzy, Miftakhul (2023) Klasifikasi Jenis Sedimen Dasar Laut Menggunakan Data Multispektral Backscatter dan Fitur Batimetri Multifrekuensi Dengan Metode Dense Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311940000069-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Sedimen dasar laut menjadi indikator penting untuk mengevaluasi lingkungan laut. Klasifikasi dan identifikasi jenis sedimen dasar laut penting dalam berbagai bidang, seperti pengembangan dan pemanfaatan sumber daya kelautan, teknik kelautan, ilmu lingkungan, perikanan laut, serta keselamatan navigasi laut. Data yang dapat digunakan untuk mengetahui jenis sedimen dasar laut adalah data survei hidrografi menggunakan Multibeam Echosounder. Data yang didapatkan saat melakukan survei hidrografi menggunakan Multibeam Echosounder adalah data batimetri dan data backscatter yang setelah diolah dapat menghasilkan data kedalaman dan mosaik backscatter sehingga dapat digunakan untuk menentukan klasifikasi jenis sedimen dasar laut. Data batimetri dapat diturunkan menjadi beberapa nilai fitur batimetri antara lain kedalaman (depth), kelerengan (slope), kelengkungan (curvature), dan kekasaran (roughness). Tujuan penulisan ini adalah untuk mengetahui klasifikasi tipe dasar perairan dari hasil pengolahan data multispektral mosaik hambur balik (mosaic backscatter) dan fitur batimetri multifrekuensi menggunakan metode Dense Neural Network (DNN) sehingga didapatkan peta sebaran jenis sedimen yang ada di sekitar perairan Pelabuhan Benoa, Provinsi Bali. Selain itu penulisan ini juga bertujuan untuk mengetahui hasil uji akurasi untuk klasifikasi pada jenis sedimen dasar laut di wilayah penulisan dengan metode yang dilakukan. Data batimetri dan hambur balik diambil pada 31 Januari 2022 menggunakan Multibeam Echosounder R2Sonic dengan frekuensi 170 kHz, 220 kHz, 270 kHz, 350 kHz, dan 400 kHz. Terdapat 12 sampel sedimen yang diambil di lokasi penulisan yang digunakan sebagai validasi saat proses klasifikasi. Dengan penggunaan metode Dense Neural Network (DNN) dihasilkan akurasi training sebesar 100% dan akurasi validasi sebesar 66%. Dengan menggunakan model DNN yang telah dibangun, menghasilkan enam jenis sedimen dengan ditribusi sebagai berikut: pasir berlanau dengan kerikil karang (79%), lanau berpasir (2,5%), pasir berlanau (0,18%), kerikil karang berpasir berlanau (2,42%), lanau kelempungan lunak (2,66%) dan pasir berkerikil (12,94%).
===============================================================================================================================
Seabed sediment is an important indicator for evaluating the marine environment. Classifying and identifying types of seabed sediment are crucial in various fields, such as marine resource development and utilization, marine engineering, environmental science, marine fisheries, and maritime navigation safety. The data used to determine the types of seabed sediment are obtained from hydrographic surveys using Multibeam Echosounders. The data collected during the hydrographic survey using Multibeam Echosounders include bathymetry data and backscatter data, which, when processed, can provide depth information and backscatter mosaic data to determine the classification of seabed sediment types. Bathymetry data can be derived into several feature values, including depth, slope, curvature, and roughness.The aim of this research is to classify the types of seabed sediment in the vicinity of Benoa Port, Bali Province, based on the processing of multispectral backscatter mosaic data and multifrequency bathymetry feature using the Dense Neural network (DNN) method. Additionally, this research aims to determine the accuracy of the classification of seabed sediment types in the study area using the employed method. The bathymetry and backscatter data were collected on January 31, 2022, using a R2Sonic Multibeam Echosounder with frequencies of 170 kHz, 220 kHz, 270 kHz, 350 kHz, and 400 kHz. Twelve sediment samples were collected at the research location and used for validation during the classification process. The Dense Neural network (DNN) method resulted in a training accuracy of 100% and a validasi accuracy of 66%. Six sediment types were generated using the constructed DNN model. They were distributed as follows: silty sand with coral gravel (79%), silty sand (2.5%), silty sand (0.18%), sandy silty coral gravel (2.42%), soft clayey silt (2.66%), and gravelly sand (12.94%).

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Batimetri, Backscatter, Dense Neural Network, Fitur Batimetri, Bathymetry, Backscatter, Bathymetry Feature
Subjects:	T Technology > TC Hydraulic engineering. Ocean engineering > TC175.2 Sediment transport
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Miftakhul Fauzy
Date Deposited:	01 Sep 2023 07:44
Last Modified:	01 Sep 2023 07:44
URI:	http://repository.its.ac.id/id/eprint/103462

Actions (login required)

View Item