Prediksi Berat dan Lokasi Ikan Skipjack Tuna dengan Menggunakan Pengolahan Data berbasis…
- User
Prediksi Berat dan Lokasi Ikan Skipjack Tuna dengan Menggunakan Pengolahan Data berbasis Machine Learning
Assistant
Prediksi Berat dan Lokasi Ikan Skipjack Tuna (Cakalang) dengan Pengolahan Data Berbasis Machine Learning
Pendahuluan
Prediksi berat dan lokasi ikan skipjack tuna (Katsuwonus pelamis) sangat penting untuk meningkatkan efisiensi penangkapan dan pengelolaan sumber daya perikanan. Dengan kemajuan teknologi, pendekatan berbasis machine learning (ML) dan pengolahan data spasial kini banyak digunakan untuk memodelkan habitat, memetakan zona penangkapan potensial, serta memperkirakan berat ikan berdasarkan data lapangan dan oseanografi.
Prediksi Lokasi Ikan Skipjack Tuna
Parameter Lingkungan Kunci
Penentuan lokasi potensial ikan skipjack tuna sangat dipengaruhi oleh parameter oseanografi, antara lain:
- Suhu permukaan laut (SPL)
- Kedalaman
- Konsentrasi klorofil-a
- Kecepatan arus
- Salinitas
Penelitian di perairan Tolitoli, Sulawesi Tengah, menunjukkan bahwa parameter klorofil-a, kecepatan arus, dan salinitas memiliki hubungan nyata dengan hasil tangkapan ikan cakalang. Zona penangkapan potensial (ZPPI) dapat diprediksi dengan meng-overlay data citra satelit (SPL, klorofil-a) dan data lapangan menggunakan perangkat lunak GIS seperti ArcGIS[5].
Contoh Lokasi Potensial
- Suhu permukaan laut: 29,5–31,1°C
- Kedalaman: 14,2–5513 m
- Klorofil-a: 0,10–0,23 mg/m³
- Kecepatan arus: 0,12–0,72 m/s
- Salinitas: 32,74–33,64 ppt
Lokasi penangkapan potensial di Tolitoli, misalnya, berada di antara Selat Makassar dan Laut Sulawesi, dengan koordinat 0°57'53,43"LU–2°1'38,411"LU dan 119°24'58,034"BT–121°16'4,157"BT[5]. Di Teluk Bone, zona penangkapan cenderung berada di lepas pantai, khususnya di sekitar rumpon (FADs), pada jalur penangkapan II (sekitar 12 mil laut) dan di atas 12 mil laut dari pantai[7].
Pendekatan Machine Learning Model machine learning, seperti ensemble modelling, digunakan untuk memprediksi habitat dan distribusi skipjack tuna dengan mengintegrasikan data hasil tangkapan dan variabel lingkungan dari satelit[1]. Model ini dapat meningkatkan akurasi prediksi lokasi penangkapan dengan memanfaatkan data historis dan real-time.
Prediksi Berat Ikan Skipjack Tuna
Hubungan Panjang dan Berat Prediksi berat ikan umumnya dilakukan dengan model regresi berdasarkan data morfometrik, terutama hubungan antara panjang cagak (fork length/FL) dan berat badan. Data hasil tangkapan di Teluk Bone menunjukkan panjang ikan cakalang yang tertangkap berkisar antara 29–68 cm FL, dengan rata-rata 29–48 cm[7].
Model Regresi Model regresi linier atau non-parametrik (misal Cobb-Douglas) digunakan untuk memprediksi berat berdasarkan panjang dan parameter lingkungan. Dengan data panjang ikan dari hasil tangkapan, berat dapat diperkirakan menggunakan rumus empiris:
di mana ( W ) adalah berat (gram), ( L ) adalah panjang (cm), dan ( a, b ) adalah konstanta hasil regresi dari data lokal.
Integrasi Machine Learning Machine learning dapat digunakan untuk:
- Mengklasifikasikan ukuran ikan berdasarkan lokasi dan waktu penangkapan.
- Memprediksi berat ikan dari citra atau data sensor menggunakan model supervised learning (misal, Random Forest, SVM, Neural Network).
- Menggabungkan data spasial (lokasi, parameter oseanografi) dan data morfometrik untuk prediksi berat dan distribusi ikan secara otomatis.
Tabel Ringkasan Parameter Kunci Prediksi
Parameter Rentang Nilai Potensial Skipjack Tuna Sumber Data Suhu permukaan 29,5–31,1°C Satelit, in situ Kedalaman 14,2–5513 m Batimetri Klorofil-a 0,10–0,23 mg/m³ Satelit Kecepatan arus 0,12–0,72 m/s Satelit, model arus Salinitas 32,74–33,64 ppt Satelit, in situ Panjang ikan (FL) 29–68 cm Data tangkapan Berat ikan Model regresi dari panjang Data tangkapan Kesimpulan
- Prediksi lokasi ikan skipjack tuna dapat dilakukan dengan mengintegrasikan data oseanografi (SPL, klorofil-a, arus, salinitas) dan data hasil tangkapan menggunakan GIS dan machine learning untuk menghasilkan peta zona penangkapan potensial[1][5][7].
- Prediksi berat ikan dilakukan dengan model regresi berdasarkan data panjang ikan, yang dapat diotomatisasi dengan machine learning untuk meningkatkan akurasi dan efisiensi prediksi[7].
- Penggunaan machine learning memungkinkan integrasi data spasial, oseanografi, dan morfometrik untuk prediksi berat dan lokasi ikan secara real-time, mendukung pengelolaan perikanan yang lebih efektif dan berkelanjutan[1][5][7].
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.