Analisis dan Pemodelan Deret Waktu untuk Deteksi Fenomena Upwelling di Laut Arafura dan Sekitarnya Menggunakan LSTM

Abstract

Upwelling merupakan fenomena oseanografi penting yang meningkatkan produktivitas laut dengan naiknya massa air dingin kaya nutrien ke permukaan, berkontribusi signifikan terhadap potensi perikanan di Wilayah Pengelolaan Perikanan Negara Republik Indonesia (WPPNRI 718), yang meliputi Laut Aru, Laut Arafuru, dan Laut Timor bagian timur, dikenal sebagai golden fishing ground dengan potensi perikanan tangkap tertinggi di Indonesia, mencapai 1,99 juta ton per tahun. Penelitian ini bertujuan untuk menghasilkan sebuah model deteksi fenomena upwelling di WPPNRI 718 berbasis deret waktu menggunakan algoritma Long Short-Term Memory (LSTM) dengan fokus utama mengidentifikasi pola relevan untuk analisis lebih lanjut. Data penelitian ini diperoleh dari Copernicus Marine Service untuk periode waktu 2007-2017 dengan variabel suhu permukaan laut dan konsentrasi klorofil-a sebagai fokus penelitian. Tahapan penelitian meliputi akuisisi dan praproses data, analisis data eksplorasi dengan pendekatan bulanan dan musiman, deteksi upwelling menggunakan metode interquartile range (IQR) dan time window, analisis lag time upwelling, analisis wilayah pusat upwelling dan fishing ground, serta pembuatan model LSTM untuk memprediksi upwelling. Hasil penelitian menunjukkan bahwa fenomena upwelling umumnya terjadi di bulan Juni hingga Oktober, dengan puncak fenomena berada pada bulan Agustus dan September. Algoritma LSTM terbukti mampu mempelajari pola fluktuasi data kelautan WPP 718 dengan baik, dengan akurasi keseluruhan mencapai 95,04% dan F1-Score sebesar 88,16% untuk algoritma deteksi upwelling, R2 sebesar 0,93 dan MdAPE sebesar 0,74% untuk algoritma prediksi suhu permukaan laut, serta R2 sebesar 0,72 dan MdAPE sebesar 24,03% untuk algoritma prediksi konsentrasi klorofil-a. Penelitian ini diharapkan mampu membantu peneliti lain dalam mengidentifikasi pola terjadinya upwelling dan membantu dalam pengambilan keputusan terkait pengelolaan sumber daya perikanan di WPPNRI 718.

Upwelling is a crucial oceanographic phenomenon that boosts marine productivity by bringing cold, nutrient-rich water to the sea surface. This significantly contributes to the fisheries potential in Indonesia's WPPNRI 718, a "golden fishing ground" encompassing the Aru, Arafura, and eastern Timor Seas, yielding 1.99 million tons annually. This research aims to develop a time series-based upwelling detection model for WPPNRI 718 using the Long Short-Term Memory (LSTM) algorithm, focusing on identifying relevant patterns. This research utilized data from the Copernicus Marine Service (2007-2017), with sea surface temperature and chlorophyll-a intensity as its primary focus. This research involved data acquisition, preprocessing, exploratory data analysis (monthly and seasonal), upwelling detection via interquartile range (IQR) and time windows, upwelling lag time analysis, and identifying upwelling center areas and fishing grounds, culminating in an LSTM intensity detection model. This study results show upwelling primarily occurs from July to October, peaking in August and September. The LSTM algorithm effectively identified fluctuation patterns of marine data in WPP 718, achieving 95,04% overall accuracy and 88,16% F1-Score for the upwelling detection, an R2 of 0,93 and MdAPE of 0,74% for the sea surface temperature prediction, as well as an R2 of 0,72 and MdAPE of 24,03% for the chlorophyll-a intensity prediction. This research is expected to aid researchers in identifying upwelling patterns and support decision-making for fisheries resource management in WPPNRI 718.