Pengembangan Model Distribusi Ikan Demersal Berdasarkan Target Strength dan Klasifikasi Akustik Habitat Bentik di Perairan Utara Aceh

Abstract

Pemahaman terhadap kondisi habitat bentik merupakan faktor kunci dalam analisis distribusi spasial ikan demersal. Kajian distribusi ikan di berbagai wilayah, khususnya Indonesia, lebih menitikberatkan pada spesies pelagis yang didukung oleh ketersediaan data populasi dan prediktor lingkungan yang relatif lengkap. Sebaliknya, informasi mengenai ikan demersal masih parsial dan belum pernah diintegrasikan ke dalam kerangka pemodelan yang komprehensif. Penelitian ini berfokus pada pengembangan model distribusi spasial ikan demersal di perairan Utara Aceh melalui integrasi data akustik dan parameter lingkungan bentik. Kerangka pemodelan yang dirancang menggabungkan pengukuran Target Strength spesifik-spesies, klasifikasi substrat dasar laut berbasis fitur echo envelope, serta prediksi spasial berbasis algoritma machine learning, guna meningkatkan resolusi dan relevansi ekologis dari model distribusi ikan demersal. Tahap pertama melibatkan eksperimen laboratorium terhadap lima spesies ikan demersal lokal: Upeneus vittatus, Nemipterus japonicus, Lutjanus gibbus, Nemipterus peronii, dan Cephalopholis formosa. Pengukuran panjang total (total length, L) dan berat tubuh (weight, W) dilakukan untuk mendapatkan hubungan length–weight relationship (LWR), yang kemudian dilanjutkan dengan pengukuran nilai Target Strength (TS) menggunakan single beam echosounder (SBES) Simrad EK15 pada frekuensi 200 kHz. Hasil pengukuran menunjukkan adanya variasi pola pertumbuhan: U. vittatus dan N. japonicus menunjukkan pertumbuhan alometri positif, sementara L. gibbus, N. peronii, dan C. formosa menunjukkan alometri negatif. Hubungan antara L dan TS berupa persamaan TS = 20 log L – b20, dengan nilai koefisien b20 spesifik untuk masing-masing spesies, yaitu –69,15 (U. vittatus), –68,78 (N. japonicus), –68,43 (L. gibbus), –70,96 (N. peronii), dan –66,87 (C. formosa). Persamaan L–TS ini menjadi acuan untuk konversi nilai SV (volume backscattering strength) menjadi estimasi biomassa akustik yang lebih presisi karena berbasis spesies yang relevan secara ekologi. Selanjutnya dilakukan pengambilan data lapangan untuk memperoleh informasi hambur balik akustik dasar laut serta distribusi spasial ikan dekat dasar (near-seabed). Informasi substrat bentik diperoleh dari data ground truth hasil pengambilan sedimen menggunakan Ponar Grab. Sedimen yang diperoleh diklasifikasikan dalam enam tipe substrat berbasis tekstur: gravel (G), sand (S), gravelly sand (gS), muddy sand (mS), sandy gravel (sG), dan slightly gravelly sand ((g)S). Tipe-tipe sedimen ini digunakan sebagai kelas dalam pengembangan model klasifikasi habitat bentik. Sinyal hambur balik akustik dari dasar laut diekstraksi menjadi empat fitur utama echo envelope, yaitu Bottom Peak dari -first echo (BP1), -second echo (BP2), Attack_SV1 (Att), dan Decay_SV1 (Dec), yang merepresentasikan karakteristik fisik substrat. Tiga algoritma pembelajaran mesin, yaitu: Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN), diterapkan untuk mengklasifikasikan tipe substrat pada perairan utara Aceh berdasarkan kombinasi fitur akustik. Hasil menunjukkan bahwa SVM memiliki akurasi validasi silang tertinggi sebesar 83.3%, dan mampu membedakan secara efektif zona berlumpur halus (Ulee Lheue dan Alue Naga) dari substrat kasar dan berbatu di area terumbu (Ujong Pancu dan Krueng Raya). Hasil klasifikasi ini menghasilkan peta habitat bentik resolusi tinggi yang menggambarkan distribusi substrat secara spasial dengan presisi tinggi. Akhirnya, parameter akustik dasar laut (BP1, BP2, Att, dan Dec) serta variabel lingkungan (kedalaman, salinitas, kelerengan, dan koordinat geografis) dikorelasikan dengan data akustik ikan demersal (SV, TS, dan densitas). Dua model prediktif, yaitu Extreme Gradient Boosting (XGBoost) dan Support Vector Regression (SVR), dilatih untuk memperkirakan distribusi ikan demersal berdasarkan kondisi bentik. XGBoost menunjukkan kinerja prediktif yang unggul, dengan nilai R² sebesar 0,4112 (SV), 0,3322 (TS), dan 0,3427 (log densitas), serta mengidentifikasi kedalaman, BP2, dan koordinat sebagai prediktor paling berpengaruh. Temuan ini merupakan penerapan pertama machine learning-based model prediktif untuk ikan demersal di Indonesia, sementara studi sebelumnya lebih berfokus pada spesies pelagis seperti tuna dan lemuru yang memanfaatkan variabel citra satelit dan model statistik konvensional (misalnya GAM, MaxEnt). Secara keseluruhan, penelitian ini menghasilkan: (1) persamaan TS spesifik lima spesies ikan lokal untuk estimasi biomassa akustik secara akurat dan relevan secara ekologis; (2) peta habitat bentik resolusi tinggi dengan klasifikasi substrat yang relevan secara ekologis; (3) model distribusi ikan demersal berbasis algoritma machine learning yang mempertimbangkan faktor lingkungan dominan. Temuan ini memberikan kontribusi ilmiah sebagai landasan pengelolaan perikanan demersal secara berkelanjutan di wilayah perairan Aceh dan menjadi pendekatan yang berpotensi diaplikasikan secara regional di wilayah pesisir Indonesia.