SETIAWAN, AWAN NURCAHYO (2023) Segmentasi Dasar Laut Berdasarkan Data Multibeam Echosounder Menggunakan Unsupervised Machine Learning (Studi Kasus Perairan Pulau Buru). Undergraduate thesis, UNIVERSITAS DIPONEGORO.

	Text 21110119140102-COVER.pdf Download (449kB)
	Text 21110119140102-ABSTRAK.pdf Download (11kB)
	Text 21110119140102-BAB I PENDAHULUAN.pdf Download (87kB)
	Text 21110119140102-BAB II TINJAU PUSTAKA.pdf Restricted to Repository staff only Download (499kB) | Request a copy
	Text 21110119140102-BAB III METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy
	Text 21110119140102-BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text 21110119140102-BAB V KESIMPULAN DAN SARAN.pdf Restricted to Repository staff only Download (76kB) | Request a copy
	Text 21110119140102-LAMPIRAN.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Proses pembagian peta kedalaman laut merupakan bagian untuk merepresentasikan aneka karakteristik bawah laut. Ini mencakup pemeteaan dan menyusun data untuk menghasilkan visualiasi yang akurat dan infromatif tentang topografi laut. Oleh karena itu. Survei hidrgrafi sangat penting untuk melakukan
pemetaan kedalaman laut karena memungkinkan pemahaman yang lebih baik tentang struktur dasar laut dan karakteristiknya. Data yang diperoleh melalui survei hidrografi memberikan informasi yang sangat penting yang mendukung kegiatan
navigasi, pengelolaan sumber daya laut, dan pemahaman ekosistem bawah laut. Multibeam echosounder adalah alat akustik yang populer untuk melakukannya pengambilan data kedalaman laut, kolom air serta identifikasi objek yang ada
didasar laut. Meskipun penelitian tentang penggunaan multibeam echosounder dengan klasifikasi pemelajaran mesin tidak terawasi telah menjadi subjek penelitian yang banyak, penggunaan data batimetri dan data backscatter dalam klasifikasi pembelajaran mesin tidak terawasi masih memiliki keterbatasan. Penelitian ini menjelaskan kajian penggunaan analisis data backscatter dan data batimetri dalam dua klasifikasi pembelajaran tidak di awasi: ISO Clustering dan K-means. Yang menghasilkan luasan slope dengan klasifikasi K-means 614,543 km² dan untuk klasifikasi ISO 614,5762 km². Sedangkan untuk hasil luasan klasifikasi backscatter
dengan K-means adalah 614,597 km² dan untuk klasifikasi ISO memiliki luasan 614,947 km² . Akan tetapi untuk hasil overlay dapat memberikan karakteristik tipe dasar laut sesuai dengan kelasnya.

Actions (login required)

View Item