Pengelolaan sumber daya perikanan yang berkelanjutan merupakan prasyarat esensial untuk menjaga kelestarian ekosistem laut dan keberlanjutan mata pencarian nelayan. Salah satu fondasi utama dalam upaya pengelolaan tersebut adalah akurasi identifikasi spesies ikan dari data tangkapan. Tanpa informasi spesies yang tepat, upaya konservasi, regulasi kuota penangkapan, dan pemantauan stok ikan akan menjadi kurang efektif. Penelitian ini berfokus pada pengembangan dan evaluasi sebuah metode untuk mengklasifikasikan spesies ikan secara otomatis dari data tangkapan, dengan memanfaatkan keunggulan algoritma pembelajaran mesin. Dalam studi ini, kami menggunakan algoritma Random Forest Classifier (RFC), sebuah metode ansambel yang dikenal efektif dalam menangani dataset kompleks dan beragam, untuk mengklasifikasikan spesies ikan. Data yang digunakan berasal dari catatan hasil tangkapan nelayan, mencakup beberapa variabel kunci yang diasumsikan memiliki korelasi dengan jenis spesies ikan. Variabel-variabel tersebut meliputi berat ikan (dalam satuan tertentu), lokasi penangkapan yang diwakili oleh koordinat lintang dan bujur, serta informasi waktu penangkapan yang mencakup bulan dan hari dalam minggu. Kombinasi variabel spasial dan temporal ini diharapkan dapat memberikan gambaran yang lebih komprehensif untuk membedakan antarspesies. Metodologi penelitian diawali dengan pra-pemrosesan data untuk menangani nilai yang hilang, outlier, dan memastikan format data yang sesuai untuk analisis. Selanjutnya, data dibagi menjadi dua set: set pelatihan untuk membangun dan mengoptimalkan model RFC, serta set pengujian untuk mengevaluasi kinerja model secara independen terhadap data yang belum pernah dilihat sebelumnya. Setelah model RFC dibangun, evaluasi kinerja dilakukan secara komprehensif menggunakan metrik standar dalam klasifikasi, yaitu akurasi, presisi, recall, dan F1-score. Metrik-metrik ini memberikan perspektif yang berbeda mengenai kemampuan model dalam mengklasifikasikan spesies dengan benar, serta kemampuannya dalam menghindari kesalahan false positive dan false negative. Hasil eksperimen menunjukkan bahwa model RFC yang dikembangkan mampu mengklasifikasikan spesies ikan dengan tingkat kinerja yang menjanjikan. Model ini mencapai akurasi sebesar 81,12%, yang mengindikasikan bahwa sekitar 81% dari total prediksi spesies adalah benar. Lebih lanjut, nilai presisi sebesar 0,8070 menunjukkan proporsi prediksi positif yang benar, sedangkan nilai recall 0,8112 menunjukkan kemampuan model dalam mengidentifikasi semua kasus positif yang relevan. F1-score sebesar 0,8072 memberikan gambaran keseimbangan antara presisi dan recall. Analisis lebih lanjut terhadap signifikansi fitur mengungkapkan bahwa berat, lintang, dan bujur merupakan prediktor yang sangat signifikan dalam proses klasifikasi spesies. Temuan ini menegaskan bahwa karakteristik fisik ikan dan lokasi penangkapan memiliki peran krusial dalam membedakan spesies. Oleh karena itu, model klasifikasi berbasis RFC ini memiliki potensi besar untuk diimplementasikan sebagai alat bantu pengambilan keputusan yang inovatif dan efektif di sektor perikanan tangkap, mendukung pengelolaan sumber daya yang lebih informatif dan berkelanjutan.


Deskripsi Lain

Sustainable management of fishery resources is an essential prerequisite for maintaining the preservation of marine ecosystems and the sustainability of fishermen's livelihoods. One of the main foundations in such management efforts is the accuracy of fish species identification from catch data. Without precise species information, conservation efforts, fishing quota regulations, and fish stock monitoring will become less effective. This research focuses on developing and evaluating a method for automatically classifying fish species from catch data, leveraging the advantages of machine learning algorithms.rnrnIn this study, we use the Random Forest Classifier (RFC) algorithm, an ensemble method known for its effectiveness in handling complex and diverse datasets, to classify fish species. The data used comes from fishermen's catch records, covering several key variables assumed to have a correlation with the type of fish species. These variables include fish weight (in specific units), fishing location represented by latitude and longitude coordinates, and catch time information which includes the month and day of the week. This combination of spatial and temporal variables is expected to provide a more comprehensive picture for distinguishing between species.rnrnThe research methodology begins with data pre-processing to handle missing values, outliers, and ensure the data format is suitable for analysis. Next, the data is divided into two sets: a training set to build and optimize the RFC model, and a testing set to independently evaluate the model's performance on previously unseen data. After the RFC model is built, a comprehensive performance evaluation is conducted using standard classification metrics, namely accuracy, precision, recall, and F1-score. These metrics provide different perspectives on the model's ability to correctly classify species, well its ability to avoid false positive and false negative errors.rnrnThe experimental results show that the developed RFC model is capable of classifying fish species with a promising level of performance. The model achieved an accuracy of 81.12%, indicating that approximately 81% of the total species predictions are correct. Furthermore, a precision value of 0.8070 shows the proportion of true positive predictions, while a recall value of 0.8112 indicates the model's ability to identify all relevant positive cases. The F1-score of 0.8072 provides a balanced view between precision and recall. Further analysis of feature significance reveals that weight, latitude, and longitude are highly significant predictors in the species classification process. This finding confirms that the physical characteristics of the fish and the fishing location play crucial roles in distinguishing species. Therefore, this RFC-based classification model has great potential to be implemented an innovative and effective decision support tool in the capture fisheries sector, supporting more informative and sustainable resource management.

• PENERAPAN METODE IMPROVED RANDOM FOREST DAN ALGORITMA C4.5 SEBAGAI CLASSIFIER UNTUK MENDETEKSI RANSOMWARE BERDASARKAN FREKUENSI KEMUNCULAN API CALLS
• RANCANG BANGUN KLASIFIKASI IKAN LELE BERDASARKAN BERAT DAN JUMLAH DENGAN ALAT BANTU CONVEYOR BERBASIS PROGRAMMAMBLE LOGIC CONTROLLER (PLC)
• PENILAIAN PENGELOLAAN PERIKANAN DI PULAU GILI LABAK KABUPATEN SUMENEP MENGGUNAKAN INDIKATOR EAFM
• IMPLEMENTASI METODE RANDOM FOREST DAN SELEKSI FITUR INFORMATION GAIN PADA KLASIFIKASI POTENSI PENYAKIT JANTUNG
• DETEKSI CYBERBULLYING PADA DATA TWEET MENGGUNAKAN METODE RANDOM FOREST DAN SELEKSI FITUR INFORMATION GAIN