| dc.description.abstract | Paus memiliki peranan ekologi yang vital dan memiliki nilai ekonomi dan sosial yang tinggi. Sebagai hewan mamalia terbesar di dunia, paus berkontribusi sebagai agen yang mendorong produksi oksigen di atmosfer, mengurangi karbon dioksida di udara melalui sekuestrasi karbon, dan membantu fertilisasi ekosistem kelautan. Secara ekonomis, pada tahun 2008, sektor ekowisata pengamatan paus memiliki potensi nilai ekonomi tahunan sebesar €148 juta. Prediksi yang akurat mengenai zona kemunculan paus sangat penting untuk mendukung upaya konservasi dan mengurangi konflik antara manusia dan satwa liar. Studi ini membandingkan beberapa algoritma klasifikasi untuk mengidentifikasi model terbaik dalam memprediksi zona kemunculan paus bungkuk di Laut Hindia, tepatnya perairan sekitar garis pantai Afrika dan Australia. Penelitian ini mempertimbangkan prediktor lingkungan yang berkaitan dengan batimetri, serta sifat fisika dan biogeokimia laut. Model klasifikasi dikembangkan menggunakan beberapa algoritma machine learning berbasis pohon keputusan: Decision Tree, Random Forest, XGBoost, dan CatBoost. Untuk mengatasi ketidakseimbangan kelas dan meningkatkan efisiensi model, digunakan teknik undersampling dan seleksi fitur. Kami juga menggunakan Shapley Additive Explanations (SHAP) untuk menginterpretasikan prediksi model dan mengidentifikasi faktor lingkungan yang signifikan. Pada skenario dengan dan tanpa penanganan ketidakseimbangan kelas, model XGBoost secara konsisten mencapai skor Matthews Correlation Coefficient (MCC) tertinggi, masing-masing sebesar 0,90449 dan 0,99410. Selain itu, analisis SHAP berhasil mengidentifikasi lima prediktor lingkungan paling berpengaruh, yaitu (1) jarak zona terdekat ke pantai, (2) kemiringan relief laut, (3) tekanan air di dasar laut, (4) fosfat terlarut, dan (5) tinggi permukaan laut. | |
