DEEP LEARNING DALAM PENGOLAHAN CITRA SENTINEL – 1 UNTUK DETEKSI TUMPAHAN MINYAK DI LAUT BINTAN

Fahmi Sahar; Sofia Pinardi;

ABSTRAK

Tumpahan minyak menjadi ancaman serius bagi lingkungan laut dan pesisir, yang
mengakibatkan dampak signifikan pada aspek lingkungan, ekonomi, dan sosial.
Peningkatan frekuensi kecelakaan tumpahan minyak dalam beberapa tahun terakhir, yang
disebabkan oleh perkembangan transportasi laut dan eksploitasi minyak skala besar
memerlukan adanya deteksi dini untuk meminimalkan kerusakan dan memungkinkan
respons yang cepat. Pemanfaatan citra Synthetic Aperture Radar (SAR) dari satelit
menawarkan keunggulan karena mampu mencakup area yang luas tanpa terpengaruh oleh
waktu dan cuaca, berbeda dengan sensor optik dan inframerah. Keunggulan ini menjadikan
citra SAR sebagai data yang ideal untuk dianalisis menggunakan metode modern seperti
Convolutional Neural Network (CNN) guna mendeteksi tumpahan minyak secara otomatis.
Namun, penerapan CNN pada citra SAR menghadapi tantangan utama, yaitu kesulitan
dalam mendeteksi tumpahan minyak secara akurat. Penelitian ini bertujuan
mengimplementasikan dan mengevaluasi sistem deteksi tumpahan minyak otomatis
menggunakan citra SAR Sentinel-1 dengan membandingkan tiga arsitektur CNN berbasis
U-Net, yaitu U-Net standar, Attention U-Net, dan ResUnet. Data citra satelit diperoleh dari
Copernicus Browser dan laporan kejadian dari Badan Riset dan Inovasi Nasional (BRIN).
Proses pra-pemrosesan data dilakukan menggunakan aplikasi SNAP yang mencakup
kalibrasi radiometrik, speckle filtering, dan koreksi medan. Dataset yang terdiri dari 600
citra kemudian dibagi menjadi data latih (75%), data validasi (12.5%), dan data uji (12.5%)
untuk melatih dan mengevaluasi model. Hasil evaluasi menunjukkan bahwa ResUnet
memiliki kinerja paling unggul secara keseluruhan. Model ini mencapai akurasi tertinggi
(99.39%), presisi tertinggi (92.06%), Mean IoU tertinggi (79.94%), dan Dice Score
tertinggi (88.85%). Meskipun U-Net standar menunjukkan Recall tertinggi (90.88%),
mengindikasikan sensitivitas deteksi yang superior , presisi ResUnet yang jauh lebih tinggi
membuktikan kemampuannya untuk meminimalkan false positive secara signifikan.
Kemampuan residual blocks pada ResUnet untuk mempelajari fitur yang lebih kompleks
dan dalam terbukti menjadi desain arsitektur yang paling efektif dan andal untuk
membedakan tumpahan minyak dari objek serupa pada citra SAR yang kompleks.

Kata Kunci: Tumpahan Minyak, Citra SAR, Sentinel-1, Convolutional Neural Network (CNN), U-Net, Attention U-Net, ResUnet.

ABSTRACT

Oil spills pose a serious threat to marine and coastal environments, causing significant
environmental, economic, and social impacts. The increasing frequency of oil spill
accidents in recent years, driven by the growth of maritime transportation and large-scale
oil exploitation, necessitates early detection to minimize damage and enable a rapid
response. The use of Synthetic Aperture Radar (SAR) imagery from satellites offers a
distinct advantage due to its ability to cover large areas regardless of time and weather
conditions, unlike optical and infrared sensors. This advantage makes SAR imagery ideal
for analysis using modern methods like Convolutional Neural Networks (CNN) for
automatic oil spill detection. However, applying CNNs to SAR imagery faces a primary
challenge: the difficulty in accurately detecting oil spills. This research aims to implement
and evaluate an automatic oil spill detection system using Sentinel-1 SAR imagery by
comparing three U-Net-based CNN architectures: the standard U-Net, Attention U-Net,
and ResUnet. Satellite imagery data were obtained from the Copernicus Browser and
incident reports from the National Research and Innovation Agency (BRIN). Data pre-
processing was performed using the SNAP application, which included radiometric
calibration, speckle filtering, and terrain correction. The dataset, consisting of 600 images,
was then divided into training (75%), validation (12.5%), and test (12.5%) sets to train and
evaluate the models. The evaluation results show that ResUnet had the most superior
overall performance. This model achieved the highest accuracy (99.39%), highest precision
(92.06%), highest Mean IoU (79.94%), and highest Dice Score (88.85%). Although the
standard U-Net exhibited the highest Recall (90.88%), indicating superior detection
sensitivity, ResUnet's significantly higher precision demonstrates its ability to substantially
minimize false positives. The capability of residual blocks within ResUnet to learn more
complex and deeper features proved to be the most effective and reliable architectural
design for distinguishing oil spills from look-alike objects in complex SAR imagery.

Keywords: Oil Spill, SAR Imagery, Sentinel-1, Convolutional Neural Network (CNN), U-Net, Attention U-Net, ResUnet.