Metodologi · Explainable Model · Ocean Analytics

Metodologi NELAYA-AI

Halaman ini menjelaskan bagaimana NELAYA-AI membaca sinyal lingkungan laut, membentuk indeks analitik, lalu menerjemahkannya menjadi informasi yang lebih operasional, tetap terbuka untuk dibaca ulang secara ilmiah.

FGIFGI-ROSIExplainableVersioned ModelHybrid-AI

Pendahuluan

Kerangka umum bagaimana platform membaca laut dan menerjemahkannya menjadi dukungan keputusan.

NELAYA-AI adalah sistem analitik laut yang menggabungkan data oseanografi, model indeks, dan konteks operasional perikanan untuk membantu membaca peluang relatif lokasi penangkapan. Platform ini tidak dimaksudkan untuk menggantikan pengalaman nelayan, melainkan memperkuat pembacaan lapangan dengan sinyal data yang lebih terstruktur, ringkas, dan transparan.

Nilai yang ditampilkan dalam sistem merupakan indeks relatif, bukan estimasi biomassa ikan dan bukan jaminan hasil tangkapan. Hasil model perlu dibaca bersama kondisi lapangan seperti gelombang, arus laut, cuaca, jarak operasional, serta pengalaman pengguna.

Sumber Data Lingkungan Laut

Variabel inti yang saat ini dipakai untuk membaca dinamika lingkungan laut.

Sea Surface Temperature (SST)

Suhu permukaan laut digunakan untuk membaca struktur termal laut. Perubahan suhu sering berkaitan dengan dinamika habitat ikan pelagis dan transisi massa air.

Salinity

Salinitas membantu membaca karakter massa air laut dan interaksi arus yang tidak selalu terlihat hanya dari suhu.

Chlorophyll-a

Chlorophyll-a dipakai sebagai indikator produktivitas primer laut yang berkaitan dengan ketersediaan makanan pada rantai trofik laut.

Data Rumpon Resmi

Rumpon digunakan sebagai representasi struktur agregasi ikan dalam model operasional FGI-R.

Fish Ground Index Environment (FGI_env)

Indeks lingkungan dasar yang dibangun dari kombinasi variabel utama laut.

FGI_env adalah indeks lingkungan yang menggabungkan suhu permukaan laut, salinitas, dan chlorophyll-a untuk menghasilkan skor relatif yang menggambarkan kondisi laut yang lebih atau kurang mendukung menurut model aktif.

FGI_env = f(SST, Salinity, Chlorophyll)

Nilai kemudian dinormalisasi ke rentang 0–1 dan diterjemahkan ke kategori Low, Medium, dan High agar lebih mudah dibaca dalam konteks operasional.

Fish Ground Index – Rumpon (FGI-R)

Perluasan FGI dengan memasukkan pengaruh kedekatan terhadap rumpon resmi.

FGI-R memperluas indeks lingkungan dengan memasukkan pengaruh kedekatan terhadap rumpon resmi melalui fungsi distance-decay, sehingga model tidak hanya membaca lingkungan laut, tetapi juga konteks struktur agregasi ikan.

FGI_R = w_env × FGI_env + w_rumpon × RII

Bobot operasional saat ini

• w_env = 0.85
• w_rumpon = 0.15

Rumpon Influence Index (RII)

Komponen yang dipakai untuk membaca pengaruh rumpon dalam sistem.

Pengaruh rumpon dihitung dari tiga komponen utama:

• Distance Score — pengaruh jarak ke rumpon
• Density Score — kepadatan rumpon di sekitar grid
• Legal Score — validasi rumpon resmi

RII = a × distance_score + b × density_score + c × legal_score

Ocean Signal Index (OSI)

Indeks yang lebih diarahkan untuk membaca dinamika laut aktif.

OSI dirancang untuk membaca dinamika laut seperti perubahan suhu, gradien chlorophyll, dan struktur oseanografi yang aktif.

Indeks ini tidak secara langsung menunjukkan lokasi ikan, tetapi membantu mengenali area laut yang sedang mengalami dinamika oseanografi penting.

Grid Analitik Laut

Dasar spasial agar semua indeks dapat dibaca dan dibandingkan secara konsisten.

Semua indeks dihitung pada grid spasial tertentu sehingga setiap sel grid memiliki nilai lingkungan dan nilai operasional yang dapat dibandingkan dari waktu ke waktu maupun antarwilayah.

Explainability dan Provenance

Komponen yang disimpan agar setiap hotspot tetap dapat dijelaskan.

NELAYA-AI dirancang agar setiap hotspot dapat dijelaskan secara lebih terbuka. Untuk model FGI-R, sistem menyimpan informasi seperti:

• skor FGI_env
• skor akhir FGI_R
• rumpon terdekat
• jarak ke rumpon
• rumpon influence
• versi formula model

Arsitektur Analitik NELAYA-AI

Diagram alur sederhana pembentukan indeks hingga output operasional.

Diagram ini menunjukkan bagaimana data lingkungan laut membentuk FGI_env, data rumpon membentuk RII, lalu keduanya digabungkan menjadi FGI-R untuk menghasilkan hotspot operasional.

NELAYA-AI memproses data lingkungan laut (SST, salinitas, chlorophyll) untuk membentuk Fish Ground Index Environment (FGI_env). Data rumpon digunakan untuk membangun Rumpon Influence Index (RII). Kedua indeks ini digabungkan menjadi Fish Ground Index Rumpon (FGI-R) yang kemudian dipakai untuk menentukan hotspot operasional dan visualisasi peta potensi.

Batasan Model Saat Ini

Hal-hal yang masih belum sepenuhnya masuk ke dalam versi operasional saat ini.

Versi aktif saat ini menggunakan SST, salinitas, chlorophyll-a, serta pengaruh jarak rumpon. Beberapa variabel belum dimasukkan secara eksplisit, antara lain:

• gradien suhu laut
• kecepatan arus laut
• gradien chlorophyll
• dinamika laut multi-hari

Roadmap Pengembangan

Arah penguatan metodologi untuk tahap berikutnya.

• integrasi gradien suhu laut
• integrasi arus laut
• peningkatan skor kepercayaan model
• evaluasi berbasis data tangkapan lapangan