Analisis dan Penerapan Model LSTM untuk Deteksi dan Prediksi Upwelling di WPP 713 Berbasis Data Chl-a dan SST

Abstract

Fenomena upwelling berperan penting dalam meningkatkan produktivitas laut dan mendukung sektor perikanan. Penelitian ini menganalisis hubungan suhu permukaan laut (SST) dan konsentrasi klorofil-a (Chl-a) terhadap kejadian upwelling di WPP 713, serta mengembangkan metode deteksi dan prediksi berbasis data. Data SST dan Chl-a periode 2007–2017 diolah menggunakan metode Interquartile Range (IQR) dan time window untuk mendeteksi kejadian upwelling dan mengklasifikasikannya berdasarkan intensitas. Model Long Short-Term Memory (LSTM) digunakan untuk klasifikasi intensitas upwelling serta prediksi nilai SST dan Chl-a. Hasil menunjukkan penurunan SST dan peningkatan Chl-a secara konsisten mengindikasikan upwelling, terutama pada Muson Timur, dengan lag time sekitar tiga minggu. Model klasifikasi LSTM mencapai F1-Score 80,84%, sedangkan model prediksi menghasilkan R² sebesar 0,944 untuk SST dan 0,893 untuk Chl-a. Secara umum, penggabungan model regresi dan klasifikasi LSTM mampu menangkap pola upwelling yang konsisten dengan kondisi aktual, meskipun pada periode tertentu masih terdapat prediksi yang tidak selaras dengan hasil deteksi berbasis metode IQR. Pendekatan ini menunjukkan potensi besar penerapan machine learning untuk pemantauan upwelling secara otomatis guna mendukung pengelolaan perikanan berkelanjutan.