MACHINE LEARNING OSEANOGRAFI UNTUK KAJIAN DINAMIKA DAN PREDIKSI ZONA POTENSI PENANGKAPAN IKAN PELAGIS BESAR DI WPP 714 = OCEANOGRAPHIC MACHINE LEARNING FOR ANALYZING TECHNICAL-ENVIRONMENTAL DYNAMICS AND PREDICTING TUNA FISHING ZONES IN WPP 714

Asuhadi. Machine Learning Oseanografi untuk Kajian Dinamika dan Prediksi Zona Potensi Penangkapan Ikan Pelagis Besar di WPP 714. (Dibimbing oleh Mukti Zainuddin, Safruddin, dan Musbir). Latar Belakang. Wilayah Pengelolaan Perikanan (WPP 714) memiliki potensi perikanan besar, tetapi pemanfaatannya belum optimal, terutama dalam penangkapan ikan pelagis ekonomis penting seperti cakalang, madidihang, dan tuna mata besar. Pengelolaan sumber daya di WPP 714 dapat dioptimalkan melalui faktor teknis seperti alat tangkap, tonase kapal, dan hari laut, serta faktor oseanografi seperti klorofil-a (Chlo-a) dan suhu permukaan laut (SST). Tujuan. Penelitian ini bertujuan untuk menganalisis pola musiman Chlo-a dan SST, menentukan nilai optimal faktor teknis dan oseanografi, serta memetakan area optimal penangkapan ikan pelagis besar. Metode. Penelitian ini menggunakan metode komparatif-eksploratif dari berbagai model Machine Learning, yaitu Random Forest (RF), Boosted Regression Tree (BRT), Generalized Additive Model (GAM), Empirical Cumulative Distribution Function (ECDF), k-means, elbow method, dan Maximum Entropy (MaxEnt). Model diproses menggunakan R Studio, dan hasil pemodelan Chlo-a serta SST disintesis menggunakan Multi-Factor Classification untuk pemetaan lokasi. Hasil. Pola Chlo-a menunjukkan konsentrasi tinggi di barat laut (Januari–Maret), bergeser ke timur (Juli–September), dan menurun (Oktober–Desember), sementara SST lebih dingin di barat laut (Januari–Maret) dan mengalami upwelling Juli–September. Tonase kapal optimal adalah 22–40 GT untuk cakalang, 21–41 GT untuk madidihang, dan 42–99 GT untuk tuna mata besar, sedangkan hari laut optimal 1–30 hari (cakalang dan tuna mata besar) serta 24–42 hari (madidihang). Pelanggaran regulasi disebabkan penangkapan madidihang ilegal (Oktober–Desember). Area penangkapan terbaik berdasarkan hasil kombinasi nilai k-means, elbow method, dan ECDF ditemukan pada rentang 0.04–0.64 (mg/m³) untuk Chlo-a dan 28.48–31.05 (°C) untuk SST pada cakalang, 0.04–0.33 (mg/m³) untuk Chlo-a dan 26.92–30.50 (°C) untuk SST pada madidihang, serta 0.06–0.33 (mg/m³) untuk Chlo-a dan 27–30.66 (°C) untuk SST pada tuna mata besar. Penangkapan optimal terjadi Januari, Maret, April, dan Mei (cakalang); Januari, Februari, dan Mei (madidihang); Februari, Mei, dan Juni (tuna mata besar). Optimasi penangkapan tiga spesies bersamaan direkomendasikan Januari–Maret dan Mei (CMT-BBB), April (CMT-BCB), Juni (CMT-CBB), Juli–September (CMT-CCC), serta Oktober–Desember (CMT-BBC). Kesimpulan. Penelitian ini menunjukkan bahwa pola musiman Chlo-a dan suhu laut memengaruhi sebaran ikan pelagis di WPP 714. Model GAM dan pendekatan spasial melalui pemodelan machine learning efektif mendukung strategi penangkapan adaptif dan berkelanjutan, dengan perlunya pengawasan atas pelanggaran regulasi.

Kata Kunci: Area optimal, Chlo-a, Machine learning, SST, WPP 714.