📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 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.
PENGEMBANGAN MODEL SEGMENTASI SEMANTIK BERBASIS DEEP LEARNING DENGAN STRATEGI PRA-PEMROSESAN DAN PENYEIMBANGAN KELAS PADA DATA HIDROAKUSTIK DENGAN KARAKTERISTIK MULTISPESIES DI PERAIRAN INDONESIA
Indonesia memiliki potensi besar dalam sektor perikanan tangkap, namun estimasi biomassa ikan melalui survei hidroakustik masih menghadapi kendala mendasar, terutama pada kondisi perairan multispesies yang menyebabkan pantulan sonar saling tumpang tindih dalam satu kelas akustik. Karakteristik ini membuat interpretasi echogram bersifat tidak konsisten, rentan bias, dan sangat bergantung pada proses manual yang memakan waktu. Kondisi tersebut diperburuk oleh keterbatasan dataset berlabel akibat proses anotasi yang lama dan kebutuhan tenaga ahli, sehingga distribusi kelas biomassa menjadi tidak seimbang dan representasi spasial berkurang. Dalam konteks kebijakan pengelolaan sumber daya ikan yang menuntut estimasi biomassa yang akurat di wilayah Indonesia, permasalahan tersebut menegaskan kebutuhan akan pendekatan komputasional yang lebih adaptif, efisien, dan mampu mengurangi subjektivitas analisis. Penelitian ini mengembangkan model segmentasi semantik berbasis deep learning dengan arsitektur U-Net untuk meningkatkan generalisasi model pada data hidroakustik multispesies di Perairan Indonesia. Pendekatan difokuskan pada peningkatan kualitas data melalui pengembangan anotasi otomatis, penetapan parameter resampling yang sesuai dengan karakteristik kolom perairan lokal, penambahan kanal spasial, serta penerapan strategi penyeimbangan kelas (NearMiss, Oversampling, Crop-Centered, dan data sintetis berbasis Generative Adversarial Network). Strategi ini dirancang untuk mengatasi bias distribusi kelas, mengurangi sensitivitas model terhadap noise dasar perairan (demersal), dan menyediakan konfigurasi pelatihan yang lebih stabil pada lingkungan akustik dengan variabilitas tinggi. Hasil penelitian menunjukkan bahwa konfigurasi resampling vertikal 400 cm memberikan peningkatan kinerja yang paling konsisten, dengan f1-score mencapai 0.77 dan melampaui parameter 140 cm maupun 200 cm. Pada tahap pelatihan, teknik penyeimbangan kelas berbasis data sintetis melalui Generative Adversarial Network menghasilkan nilai f1-score tertinggi sebesar 0.83, namun evaluasi pada himpunan data uji memperlihatkan bahwa strategi Crop-Centered memiliki kemampuan generalisasi yang lebih stabil dengan f1-score 0.68 serta peningkatan signifikan pada kelas demersal dari 0.29 (baseline) menjadi 0.64 pada model hasil optimasi. Temuan ini diperkuat oleh analisis varians, yang mengindikasikan bahwa strategi penyeimbangan kelas berkontribusi sebesar 27.85% terhadap variabilitas performa model, sedangkan faktor arsitektur berkontribusi 42.05%. Estimasi biomassa melalui segmentasi semantik berada pada rentang 0.006–0.2113 kg/m² dengan nilai root mean square error 0.07, mendekati ground truth dan secara signifikan lebih akurat dibandingkan pendekatan konvensional (15.92), menunjukkan bahwa pendekatan yang diusulkan memiliki stabilitas dan kapasitas generalisasi yang lebih baik dalam pengolahan data hidroakustik multispesies di perairan Indonesia.