| dc.description.abstract | Random forest (RF) merupakan metode machine learning yang mampu menangkap hubungan nonlinier antarpeubah dan menghasilkan performa prediksi yang baik. Namun, RF belum secara eksplisit mempertimbangkan heterogenitas spasial. Geographically weighted random forest (GWRF) merupakan pengembangan RF dengan membentuk model lokal berdasarkan pembobotan spasial sehingga dapat mengidentifikasi keragaman hubungan antarpeubah pada lokasi yang berbeda. Penelitian ini bertujuan mengidentifikasi peubah penting oseanografi yang menentukan densitas ikan cakalang di WPPNRI 572 dan 573 menggunakan GWRF. Data yang digunakan berupa data e-logbook perikanan dan data oseanografi dengan periode Desember 2022 hingga November 2023. Densitas ikan direpresentasikan menggunakan catch per unit effort (CPUE) dan analisis dilakukan dalam empat periode berdasarkan pola musim di perairan Indonesia. Analisis diawali dengan eksplorasi data, pengujian heterogenitas spasial menggunakan uji Breusch-Pagan, dan pengujian autokorelasi spasial menggunakan Moran’s I. Selanjutnya, hyperparameter RF dioptimalkan dan lebar jendela GWRF ditentukan melalui grid search menggunakan fungsi kernel adaptif bisquare dan Gaussian. Model global dan lokal dibentuk, kemudian kepentingan peubah dianalisis menggunakan mean decrease impurity. Hasil penelitian menunjukkan adanya heterogenitas dan autokorelasi spasial yang signifikan pada seluruh periode pengamatan. Model dengan a=0,25 menggunakan pendekatan varying menghasilkan galat prediksi terendah pada seluruh musim. Analisis peubah penting menunjukkan bahwa suhu potensial laut (thetao), produktivitas primer bersih (nppv), dan kedalaman lapisan tercampur (mlotst) merupakan peubah paling berkontribusi terhadap densitas ikan cakalang secara lokal. Hasil tersebut menunjukkan bahwa GWRF mampu memberikan informasi lokal mengenai perbedaan kontribusi peubah oseanografi terhadap densitas ikan cakalang. | |
