Klasifikasi Daerah Penangkapan Ikan Menggunakan Algoritma Random Forest dan Support Vector Machine

Abstract

Kondisi ekonomi nelayan tradisional masih berada di lingkaran kemiskinan sehingga diperlukan solusi untuk meningkatkan kesejahteraan. Salah satu solusi adalah dengan menggunakan teknologi informasi mengenai daerah penangkapan ikan, sehingga nelayan dapat menghemat bahan bakar dan menambah jumlah tangkapan. Informasi daerah penangkapan ikan dapat ditentukan dengan cara mengolah data citra satelit dan menggunakan teknologi Machine Learning.

Penelitian ini bertujuan membuat model yang dapat melakukan mengklasifikasi daerah penangkapan ikan menggunakan algoritma Random Forest dan Support Vector Machine menggunakan data citra satelit dengan berdasarkan parameter klorofil, suhu permukaan laut, salinitas, ketinggian dan suhu air laut. Data penelitian bersumber dari citra satelit Aqua MODerate resolution Imaging Spectroradiometer dan HYbrid Coordinate Ocean Model dari tahun 2019-2021 di Laut Jawa dan sekitarnya. Data penelitian dipraproses untuk menangani data yang tidak mempunyai nilai dengan interpolasi Inverse Distance Weighted. Daerah penangkapan ikan sebagai kelas data diperoleh dari hasil overlay data yaitu klorofil dan suhu permukaan laut. Sebelum digunakan membuat model klasifikasi daerah penangkapan ikan, data penelitian melakukan proses random undersampling untuk menanganani data yang tidak seimbang. Selanjutnya data penelitian dibagi menjadi 80% data latih dan 20% data uji untuk pembuatan model klasifikasi daerah penangkapan ikan. Proses pembuatan model dilakukan Hyperparameter tunning untuk kedua algoritma Random Forest maupun Support Vector Machine menentukan nilai parameter terbaik. Nilai terbaik Random Forest adalah 0,9999 dengan nilai parameter jumlah pohon = 50, maksimal ketinggian = 6 dan maksimal jumlah daun = 9. Nilai terbaik Support Vector Machine adalah 0,9944 dengan nilai parameter yang mengontrol kesalahan = 1000 dan parameter yang membuat boundary = 1.

Hasil penelitian ini menunjukan parameter klorofil mempunyai peran paling besar sebesar 77,14% dalam menentukan daerah penangkapan ikan. Hasil nilai precision yang dihasilkan algoritma Support Vector Machine (99,83%) lebih tinggi dibanding dengan yang dihasilkan algoritma Random Forest (99,80%). Meski demikian model klasifikasi yang dihasilkan algoritma Random Forest mempunyai nilai accuracy (99,90%), recall (100%) dan F1 score (99,90%) yang lebih tinggi dibanding dengan yang dihasilkan algoritma Support Vector Machine dengan nilai accuracy (99,89%), recall (99,96%) dan F1 score (99,89%). Model klasifikasi daerah penangkapan ikan yang dihasilkan Random Forest lebih baik dibanding dengan model klasifikasi daerah penangkapan ikan yang dihasilkan Support Vector Machine. Hasil verifikasi perbandingan daerah penangkapan ikan model klasifikasi Random Forest dengan PPDPI terdapat perbedaan dikarenakan perbedaan parameter yang digunakan dalam pembuatan model klasifikasi Random Forest dengan PPDPI.