PENGEMBANGAN MODEL DEEP LEARNING UNTUK MENENTUKAN ZONA POTENSIAL IKAN TONGKOL DI LAUT UTARA BANTEN

Sahril Angga Permana, - (2024) PENGEMBANGAN MODEL DEEP LEARNING UNTUK MENENTUKAN ZONA POTENSIAL IKAN TONGKOL DI LAUT UTARA BANTEN. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Ikan tongkol menjadi jenis komoditas penting karena permintaan pasar yang sangat
tinggi baik dari domestik maupun ekspor. Salah satu tantangan utama dalam sektor
kelautan dan perikanan adalah menentukan zona potensial penangkapan ikan yang
tepat, mengingat banyak nelayan masih bergantung pada metode tradisional yang
kurang efisien. Perkembangan teknologi kecerdasan buatan telah membuka peluang
baru dalam pemetaan dan analisis lingkungan laut. Khususnya, penggunaan citra
satelit dapat menyediakan data yang luas dan berkelanjutan. Penelitian ini bertujuan
untuk menentukan zona potensial penangkapan ikan tongkol (Euthynnus affinis) di
perairan Utara Banten menggunakan model Deep Learning Feedforward Neural
Network (FNN). Data yang digunakan mencakup suhu permukaan laut (SPL) dan
klorofil-a dari bulan Juni 2023 hingga Juni 2024. Model FNN ini dilatih untuk
mengenali pola sebaran SPL dan klorofil-a yang terkait dengan habitat ikan
tongkol. Hasil penelitian menunjukkan model deep learning dapat digunakan dalam
menentukan zona potensial penangkapan ikan. Musim timur yang terjadi dari Juni
hingga Agustus 2023 memiliki sebaran zona potensial ikan yang paling tinggi
dibandingkan musim lainnya. Proses pelatihan model menggunakan 100 epoch dan
batch size 32 yang menghasilkan akurasi yang optimal yaitu 98.51%. Output
penelitian divisualisasikan dalam bentuk sebaran zona potensial penangkapan ikan
yang telah dilakukan validasi lapangan kepada para nelayan. 7 dari 10 nelayan
mendapatkan ikan tongkol di wilayah yang ditandai sebagai zona potensial pada
peta output. Hasil tersebut menandakan bahwa model yang dikembangkan telah
sesuai untuk menentukan zona potensial penangkapan ikan baik secara teoritis
maupun aplikatif dilapangan.
Mackerel Tuna is an important commodity due to its high market demand from both
domestic and export markets. One of the main challenges in the marine and
fisheries sector is determining the right potential fishing zones, considering that
many fishermen still rely on traditional methods that are less efficient. The
development of artificial intelligence technology has opened up new opportunities
in mapping and analyzing the marine environment. In particular, the use of satellite
imagery can provide extensive and continuous data. This study aims to determine
the potential fishing zones for mackerel tuna (Euthynnus affinis) using the Deep
Learning Feedforward Neural Network (FNN) model. The data used included sea
surface temperature (SST) and chlorophyll-a from June 2023 to June 2024. This
FNN model was trained to recognize SPL and chlorophyll-a distribution patterns
associated with tuna habitat. The results showed that deep learning models can be
used in determining potential fishing zones. The eastern season that occurs from
June to August 2023 has the highest distribution of potential fish zones compared
to other seasons. The model training process uses 100 epochs and batch size 32
which produces optimal accuracy of 98.51%. The research output is visualized in
the form of the distribution of potential fishing zones that have been field validated
to fishermen. 7 out of 10 fishermen caught tuna in the areas marked as potential
zones on the output map. These results indicate that the model developed is suitable
for determining potential fishing zones both theoretically and in the field.

	Text S_SIK_2010065_Title.pdf Download (1MB)
	Text S_SIK_2010065_Chapter1.pdf Download (84kB)
	Text S_SIK_2010065_Chapter2.pdf Restricted to Staf Perpustakaan Download (223kB)
	Text S_SIK_2010065_Chapter3.pdf Download (270kB)
	Text S_SIK_2010065_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_SIK_2010065_Chapter5.pdf Download (74kB)
	Text S_SIK_2010065_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB)

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?user=AYC-lOIAAAAJ&hl=id&oi=ao SINTA ID : 6760517 SINTA ID : 6745746
Uncontrolled Keywords:	Deep Learning, Feedforward Neural Network, Potential Fishing Zones, Satellite Imagery, Citra Satelit, Zona Potensial Penangkapan Ikan
Subjects:	G Geography. Anthropology. Recreation > GC Oceanography T Technology > T Technology (General)
Divisions:	UPI Kampus Serang > S1 Sistem Informasi Kelautan
Depositing User:	Sahril Angga Permana
Date Deposited:	04 Jun 2025 08:17
Last Modified:	04 Jun 2025 08:17
URI:	http://repository.upi.edu/id/eprint/126651

Actions (login required)

View Item