Evaluasi Model Machine Learning untuk Klasifikasi Potensi Keberadaan Ikan Kembung (Rastrelliger sp.) di Selat Sunda

Abstract

Karakteristik lingkungan perairan Selat Sunda berperan penting dalam menentukan keberadaan ikan kembung. Variabilitas parameter lingkungan menyebabkan pola keberadaan ikan kembung menjadi dinamis sehingga perlu adanya pendekatan yang mampu menangkap kompleksitas hubungan antar variabel salah satunya menggunakan machine learning. Penelitian ini bertujuan untuk membuat pemodelan klasifikasi keberadaan ikan kembung menggunakan algoritma Random Forest dan XGBoost dengan pendekatan time series untuk mempertimbangkan aspek temporal data. Proses pelatihan model menggunakan data tahun 2019-2023 dan pengujian model menggunakan data tahun 2024-2025. Hyperparameter tuning dilakukan untuk mengoptimalkan kinerja model. Hasil evaluasi, Random Forest menunjukkan performa yang lebih unggul dengan akurasi 95% sementara XGBoost memperoleh akurasi sebesar 94%. Analisis menggunakan pendekatan SHAP menunjukkan bahwa klorofil-a menjadi variabel yang paling dominan dalam menentukan prediksi keberadaan ikan kembung di Selat Sunda. Pola musiman menunjukkan bahwa puncak keberadaan ikan kembung berada di periode Mei-Juni dan musim penurunan keberadaan pada periode November-Februari.