PREDIKSI POTENSI KERUSAKAN TERUMBU KARANG BERDASARKAN PARAMETER OSEANOGRAFI MENGGUNAKAN METODE DECISION TREE DENGAN ALGORITMA CART

Nabil Abithah Razqa, Bagas Putra, Khotijah Azahra

Abstract


Penurunan terumbu karang di Indonesia mencapai 30% dalam kategori kritis akibat perubahan parameter oseanografi. Penelitian ini mengembangkan model prediksi kerusakan terumbu karang menggunakan algoritma CART dengan pendekatan kuantitatif dan kerangka kerja CRISP-DM berbasis data sekunder daring. Data meliputi suhu permukaan laut, klorofil-a (MODIS Aqua), pH, dan salinitas (NOAA WOD & CMEMS) periode 2019–2023. Pra-pemrosesan dilakukan melalui penanganan nilai hilang, deteksi outlier, dan normalisasi Min-Max. Model CART dibangun dengan pembagian data 80:20 dan validasi silang 10-fold. Hasil menunjukkan suhu laut paling berpengaruh (45%), diikuti pH (28%), klorofil-a (17%), dan salinitas (10%). Akurasi model mencapai 87,3% dengan precision 0,85, recall 0,84, dan F1-score 0,84. Peta distribusi spasial menunjukkan potensi kerusakan tinggi pada wilayah dengan SST >29°C dan pH <7,8. Model ini berpotensi menjadi sistem peringatan dini konservasi terumbu karang berbasis risiko spasial.


Keywords


CART, Data Mining, Parameter Oseanografi, Prediksi Kerusakan, Terumbu Karang

References


Suharsono A, Rondonuwu AB, Setyawan D. 2021. Dampak perubahan iklim terhadap degradasi terumbu karang di Indonesia timur. Jurnal Kelautan Nasional. 16(2): 78–92.

LIPI. 2022. Status terumbu karang Indonesia 2021. Jakarta: Lembaga Ilmu Pengetahuan Indonesia. 120 hlm.

Wicaksono B, Subiyanto B, Pratama C. 2020. Analisis parameter oseanografi terhadap bleaching karang di Raja Ampat. Jurnal Pesisir dan Lautan. 14(1): 33–48.

Pratama D, Kusuma E, Rahman F. 2023. Integrasi data satelit dan machine learning untuk pemantauan terumbu karang. Prosiding Seminar Nasional Geomatika. Bogor, 12 Juni 2023. Bogor: Badan Informasi Geospasial. hlm 112–120.

Burke L, Reytar K, Spalding M, Perry A. 2011. Reefs at Risk Revisited. Washington DC: World Resources Institute. 114 hlm.

Hidayat T, Siregar VP. 2022. Klasifikasi kesehatan terumbu karang menggunakan algoritma pohon keputusan di Kepulauan Seribu. Jurnal Ilmu Kelautan. 27(1): 12–25.

Fadhilah N, Arisandi D. 2023. Optimasi parameter algoritma CART untuk prediksi kerusakan ekosistem pesisir. Jurnal Teknologi Informasi dan Ilmu Komputer. 10(2): 211–220.

Nugroho P, Santoso B, Wijaya C. 2021. Prediksi pemutihan karang berbasis suhu permukaan laut dan kekeruhan di Bali. Jurnal Teknologi Lingkungan. 9(3): 45–59.

Pramono S, Kurniawan A, Saputra D. 2022. Model prediktif degradasi terumbu karang menggunakan machine learning. Jurnal Kelautan Tropis. 25(2): 134–147.

Hastuti R, Wijayanto D, Setiawan A. 2023. Analisis komparasi algoritma decision tree untuk klasifikasi kesehatan terumbu karang. Jurnal Ilmu Kelautan dan Perikanan. 15(1): 45–58.

Kurniawan A, Pratama B, Handayani C. 2021. Penerapan data mining untuk identifikasi faktor dominan kerusakan terumbu karang. Jurnal Sains dan Teknologi Lingkungan. 6(3): 89–102.

NASA Ocean Color. 2024. MODIS Aqua data user guide. https://oceancolor.gsfc.nasa.gov. [diakses 15 Januari 2024].

Li J, Heap AD, Potter A, Daniell JJ. 2011. Application of machine learning methods to spatial interpolation of environmental variables. Environmental Modelling & Software. 26(12): 1647–1659.

García S, Luengo J, Herrera F. 2015. Data Preprocessing in Data Mining. Berlin: Springer. 320 hlm.

Saputra D, Wijaya A. 2022. Evaluasi kinerja algoritma klasifikasi dalam pemantauan terumbu karang. Jurnal Geomatika Indonesia. 7(1): 33–45.

Hasanah MA, Soim S, Handayani AS. 2021. Implementasi CRISP-DM Model menggunakan metode Decision Tree dengan algoritma CART untuk prediksi curah hujan berpotensi banjir. Journal of Applied Informatics and Computing. 5(2): 103–108.


Refbacks

  • There are currently no refbacks.


Jurnal Pendidikan Perikanan Kelautan (Journal of Fisheries and Maritime Studies) is published by UPI.