ARBAHRI, Denny and Nurhayati, Oky Dwi and Mudita, Imam (2024) MACHINE LEARNING DATA OSEANOGRAFI INDONESIA UNTUK PREDIKSI POTENSI SUMBER DAYA LAUT. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text COVER.pdf Download (742kB)
	Text BAB I.pdf Download (142kB)
	Text BAB II.pdf Download (329kB)
	Text BAB III.pdf Restricted to Repository staff only Download (265kB)
	Text BAB IV.pdf Restricted to Repository staff only Download (346kB)
	Text BAB V.pdf Download (26kB)
	Text DAFTAR PUSTAKA.pdf Download (104kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (1MB)

Abstract

Data dan informasi kelautan sangat penting bagi kelangsungan hidup manusia, oleh karena itu data dan informasi tersebut menarik bagi investor karena adanya potensi nilai ekonomi. Data dan informasi kelautan yang ada belum dikelola dan belum difungsikan untuk memprediksi sumber daya laut dengan menggunakan teknik Machine Learning (ML), sehingga penguasaan data dan informasi kelautan menjadi permasalahan dalam konservasi sumber daya laut. Konservasi sumber daya laut secara berkelanjutan yang benar, dilaksanakan dengan cara menguasai data dan informasi kelautan. Saat ini penelitian ilmiah kelautan telah memasuki era baru Artificial Intelligence (AI), seperti penggunaan ML dalam penelitian ilmiah kelautan cukup menjanjikan, khususnya untuk memantau keanekaragaman hayati laut, memodelkan data CTD, dan memprediksi sumber daya laut. ML untuk membangun model prediktif saat ini telah banyak digunakan oleh para peneliti, namun spesifikasi penelitian dengan teknik ML untuk memprediksi potensi sumber daya laut merupakan bidang penelitian yang relatif baru. Tujuan penelitian ini, membuat model data oseanografi Indonesia untuk memprediksi potensi sumber daya laut dengan teknik ML menggunakan algoritma Decision Tree (DT), Linear Regression (LR), dan Random Forest (RF), ketiganya untuk dibandingkan. Metodologinya, data mentah yang telah dikumpulkan harus dikonversi supaya menjadi data oseanografi Conductivity, Temperature, Depth (CTD) yang lengkap dengan informasi. Data itu diklasifikasikan kedalam data latih dan data uji dengan softwere orange3. Data latih digunakan untuk pemodelan dengan algoritma, sehingga menghasilkan model data. Model tersebut diuji dengan data uji hingga menghasilkan model dengan skor terbaik dan selanjutnya difungsikan untuk prediksi data target. Hasil prediksi ketiga model menunjukkan nilai salinitas 34 parts per thousand (ppt), dan nilai aktualnya pun sebesar 34 ppt. Artinya, pada area perairan laut dengan nilai salinitas 34 ppt, maka salinitas akan mempengaruhi kelarutan oksigen (O2) serta berperan besar dalam keberlangsungan dan pertumbuhan tingkat kesuburan sumber daya hayati yang didukung oleh kondisi suhu permukaan laut 29°C. Sehingga nilai salinitas 34 ppt yang diprediksi dengan teknik ML, diasumsikan memiliki korelasi yang kuat dengan adanya potensi sumber daya laut. Penelitian ini berpotensi memberikan kontribusi data dan informasi sebagai referensi penelitian lanjutan yang inovatif bagi para peneliti dan bahan keputusan investasi bagi para investor serta pedoman bagi para nelayan untuk menghasilkan tangkapan ikan yang produktif.
Keywords: Data Oseanografi Indonesia, Machine Learning, Prediksi, Potensi, Sumber Daya Laut

Marine data and information are very important for human survival, therefore this data and information is attractive to investors because of the potential economic value. Existing marine data and information have not been managed and have not been used to predict marine resources using Machine Learning (ML) techniques, so that mastery of marine data and information has become a problem in marine resource conservation. Correct, sustainable conservation of marine resources is carried out by controlling marine data and information. Currently, marine scientific research has entered a new era of Artificial Intelligence (AI), as the use of ML in marine scientific research is quite promising, especially for monitoring marine biodiversity, modeling CTD data, and predicting marine resources. ML to build predictive models is currently widely used by researchers, however research specifications using ML techniques to predict marine resource potential is a relatively new research field. The aim of this research is to create a model of Indonesian oceanographic data to predict marine resource potential using ML techniques using the Decision Tree (DT), Linear Regression (LR) and Random Forest (RF) algorithms, all three to be compared. The methodology is that the raw data that has been collected must be converted into Conductivity, Temperature, Depth (CTD) oceanographic data that is complete with information. The data is classified into training data and test data with Orange3 software. Training data is used for modeling with algorithms, thereby producing a data model. The model is tested with test data to produce a model with the best score and is then used to predict target data. The prediction results of the three models show a salinity value of 34 parts per thousand (ppt), and the actual value is 34 ppt. This means that in marine waters with a salinity value of 34 ppt, salinity will affect the solubility of oxygen (O2) and play a major role in the sustainability and growth of the fertility level of biological resources which is supported by sea surface temperature conditions of 29°C. So the salinity value of 34 ppt predicted using ML techniques is assumed to have a strong correlation with the presence of marine resource potential. This research has the potential to contribute data and information as a reference for innovative further research for researchers and investment decision material for investors as well as guidelines for fishermen to produce productive fish catches.
Keywords: Machine Learning, Marine Resources, Indonesian Oceanographic Data, Prediction, Potential

Actions (login required)

View Item