📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPREDIKSI WILAYAH POTENSIAL PENANGKAPAN IKAN LAYANG BENGGOL (DECAPTERUS RUSSELLI) DI WPPNRI 711 MENGGUNAKAN MACHINE LEARNING
WPPNRI 711 dikenal memiliki potensi sumber daya ikan pelagis kecil yang cukup tinggi, dengan ikan layang benggol (Decapterus russelli) sebagai salah satu spesies dominan hasil tangkapan. Penentuan wilayah potensial penangkapan ikan masih menjadi tantangan, karena lokasi penangkapan bersifat dinamis dan dipengaruhi oleh perubahan kondisi oseanografi. Penelitian ini bertujuan memprediksi wilayah potensial penangkapan ikan layang benggol di WPPNRI 711 secara bulanan menggunakan model Convolutional Neural Network (CNN), mengevaluasi performa model serta kesesuaian spasial hasil prediksi terhadap lokasi penangkapan aktual, dan menganalisis kontribusi parameter oseanografi terhadap prediksi model. Data yang digunakan meliputi posisi kapal dari Vessel Monitoring System (VMS) dan Automatic Identification System (AIS) periode 2022–2024, serta parameter oseanografi dari Copernicus Marine Environment Monitoring Service (CMEMS) berupa suhu permukaan laut, klorofil-a, salinitas, komponen arus, kecepatan arus, dan Sea Surface Height (SSH). Data tahun 2022–2023 digunakan sebagai data latih, sedangkan data tahun 2024 digunakan sebagai data uji. Hasil penelitian menunjukkan bahwa model CNN mampu memetakan probabilitas wilayah potensial penangkapan ikan layang benggol setiap bulan dengan kesesuaian spasial yang baik terhadap lokasi penangkapan aktual. Pada skenario VMS, model menghasilkan akurasi sebesar 0,70, presisi 0,68, recall 0,75, F1-score 0,71, AUC- ROC 0,81, dan PR-AUC 0,82. Pada skenario AIS, model menghasilkan akurasi sebesar 0,79, presisi 0,76, recall 0,85, F1-score 0,81, AUC-ROC 0,87, dan PR- AUC 0,89. Analisis feature importance menunjukkan bahwa suhu permukaan laut menjadi parameter paling berpengaruh pada skenario VMS, sedangkan komponen arus zonal (timur-barat) paling berpengaruh pada skenario AIS. Hasil penelitian menunjukkan bahwa kombinasi data aktivitas kapal, parameter oseanografi, dan model CNN dapat merepresentasikan karakteristik habitat ikan layang benggol serta mendukung identifikasi wilayah potensial penangkapan ikan di WPPNRI 711.
IDENTIFIKASI DIMENSI MANIFESTASI PERMUKAAN GELOMBANG INTERNAL SOLITER MENGGUNAKAN CITRA RADAR SENTINEL-1 STUDI KASUS: SELAT LOMBOK
Gelombang internal merupakan fenomena oseanografi yang terbentuk akibat perbedaan kerapatan air laut dan dapat berdampak signifikan terhadap keselamatan aktivitas bawah laut. Selat Lombok, sebagai jalur utama Arus Lintas Indonesia (ARLINDO), memiliki kondisi stratifikasi dan topografi dasar laut yang mendukung pembentukan gelombang internal. Namun, studi kuantitatif mengenai dimensi gelombang internal masih terbatas, terutama yang berbasis penginderaan jauh radar. Penelitian ini bertujuan untuk mengembangkan proses kerja semi-otomatis dalam mengidentifikasi dan mengestimasi dimensi gelombang internal dari citra Sentinel-1. Proses ini mencakup tahapan filtering citra, pengambilan sampel penampang, dekomposisi sinyal menggunakan Ensemble Empirical Mode Decomposition (EEMD), fitting kurva soliton dengan regresi polinomial, dan pengukuran panjang serta jarak antar soliton menggunakan jarak normal dan Hausdorff. Data diambil dari citra Sentinel-1 pada periode sekitar tenggelamnya KRI Nanggala 402 yaitu pada April 2021. Hasil penelitian menunjukkan bahwa pendekatan ini mampu mengidentifikasi hingga 11 soliton dengan panjang maksimum 72.5 km dan jarak antar soliton hingga 7.8 km. Kombinasi circular sampling dan regresi polinomial orde tiga terbukti menghasilkan estimasi paling akurat dibandingkan pendekatan lain. Dibandingkan metode konvensional pendekatan ini lebih efisien, tidak memerlukan anotasi manual, dan dapat diterapkan untuk skala regional sehingga dapat digunakan untuk analisis lebih lanjut seperti analisis oseanografi atau identifikasi otomatis. Kebaruan penelitian ini terletak pada integrasi EEMD dan pendekatan geometrik dalam kerangka semi-otomatis berbasis citra radar. Metode yang dikembangkan diharapkan dapat memberikan kontribusi terhadap pengembangan teknik observasi laut serta dapat digunakan untuk mendukung pemodelan dan mitigasi risiko oseanografi.
DETEKSI POTENSI DAERAH TANGKAPAN IKAN DI PERAIRAN UTARA PAPUA DENGAN MENGGUNAKAN MACHINE LEARNING
Daerah potensi tangkapan ikan dipengaruhi oleh beberapa parameter oseanografi diantaranya Suhu Permukaan Laut (SPL) dan kelimpahan klorofil-a. Parameter suhu dan klorofil-a merupakan indikator upwelling dan menentukan kondisi optimal untuk daerah tangkapan ikan. Perairan utara papua merupakan bagian dari Wilayah Pengelolaan Perikanan RI (WPPNRI) 717 yang memiliki potensi tangkapan ikan yang besar, menyuplai lebih dari 25% hasil tangkapan tuna dunia yang salah satunya didominasi oleh ikan madidihang (Thunnus albacares). Tujuan dari penelitian ini adalah mendeteksi daerah potensi tangkapan ikan di perairan utara Papua dengan parameter utama Suhu Permukaan Laut (SPL) dan klorofil-a menggunakan machine learning serta menguji akurasi metode machine learning untuk memprediksi daerah tangkapan ikan. Penelitian ini menggunakan data tangkapan purse seine ikan tuna sirip kuning (Thunnus albacares) di wilayah Pasifik Selatan dari tahun 2003-2022, yang diperoleh dari situs WCPFC. Data SPL dan konsentrasi klorofil-a pada rentang waktu 20 tahun (2003-2022) berasal dari citra satelit Aqua MODIS Level 3 yang diunduh dari situs OceanColor. Deteksi potensi daerah tangkapan ikan di perairan utara Papua menggunakan parameter SPL dan klorofil-a terbukti cukup efektif. Peta prediksi menunjukkan keberadaan ikan yang dominan di perairan sekitar utara Jayapura hingga Papua Nugini. Sebaran potensi tangkapan ikan madidihang sesuai dengan kriteria SPL di perairan hangat dengan rentang suhu 28°C-32°C. Konsentrasi klorofil-a juga sesuai dengan kondisi optimal untuk keberadaan ikan madidihang, yaitu sekitar 0,1 hingga 1,41 mg/m³. Hasil penelitian menunjukkan bahwa kombinasi SPL dan konsentrasi klorofil-a memberikan indikator yang kuat. Metode machine learning dengan algoritma decision tree classifier menunjukkan hasil akurasi yang baik dengan rata-rata mencapai 0,79. Meskipun demikian, prediksi masih kurang sesuai dengan peta tangkapan aktual.