PENDEKATAN ENSEMBLE LEARNING MODEL UNTUK DETEKSI SAMPAH BERBASIS PIXEL CITRA SATELIT SENTINEL-2 DI PERAIRAN LOMBOK

Abstract

Sampah plastik telah menjadi isu lingkungan global yang mendesak, menyumbang mayoritas polusi di lautan dunia. Di Indonesia, permasalahan ini sangat krusial; data SIPSN KLHK 2024 mencatat 40,16% dari 33 juta ton timbunan sampah nasional belum terkelola dengan baik. Khusus di destinasi wisata prioritas seperti Lombok, peningkatan volume sampah menyebabkan penumpukan di kawasan pesisir yang mengancam ekosistem laut dan ekonomi pariwisata. Penelitian ini bertujuan membangun model ensemble learning untuk deteksi sampah laut (marine debris) berbasis piksel menggunakan citra satelit Sentinel-2 (resolusi 10 m) di perairan Lombok. Metodologi penelitian memanfaatkan dataset MARIDA (Marine Debris Archive) dan menerapkan teknik SMOTE untuk mengatasi masalah ketidakseimbangan kelas (data imbalance). Tiga model ensemble—Random Forest, XGBoost, dan LightGBM—dievaluasi menggunakan metrik F1 Score dan Balanced Accuracy. Hasil pengujian menunjukkan bahwa LightGBM adalah model paling optimal, mencapai F1-Score 0.8284 dan Balanced Accuracy 0.9904 pada data testing. Temuan ini diimplementasikan ke dalam prototipe dashboard interaktif yang mampu menyajikan informasi spasial objektif dengan potensi pembaruan data setiap 10 hari, sehingga mendukung perumusan kebijakan mitigasi sampah yang responsif dan berkelanjutan di Pulau Lombok.

Kata kunci: Ensemble Learning, Deteksi Sampah, Citra Satelit Sentinel-2, LightGBM, Perairan Lombok.