Metodologi NELAYA-AI

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 indikator probabilistik, bukan estimasi biomassa ikan dan bukan jaminan hasil tangkapan. Hasil model perlu dibaca bersama kondisi lapangan seperti gelombang, arus lokal, cuaca, jarak operasional, serta pengalaman pengguna.

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.

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

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.

Bobot operasional saat ini:
• w_env = 0.85
• w_rumpon = 0.15

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.

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

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

Semua indeks dihitung pada grid spasial tertentu sehingga setiap sel grid memiliki nilai lingkungan, nilai operasional, dan catatan confidence yang dapat dibandingkan dari waktu ke waktu maupun antar wilayah.

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

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 seperti SST, salinitas, dan chlorophyll-a 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 potensial.

FGI vNext bukan satu model tunggal. Ia adalah sistem musyawarah model: habitat, arus, fisika laut, front dinamis, particle drift, memori temporal, keselamatan, batas legal, dan validasi nelayan.

FGI operasional utama masih dijaga sederhana agar mudah dibaca dan tidak terlalu percaya diri sebelum validasi lapangan cukup. Versi dasar FGI masih berpusat pada SST, salinitas, chlorophyll-a, dan pengaruh rumpon resmi.

Beberapa layer lanjutan sudah mulai dihitung sebagai shadow model atau lab/research, antara lain arus permukaan, physics-informed FGI, LFI Alpha, Particle Drift Beta, temporal memory, dan decision fusion. Layer-layer ini belum otomatis menggantikan FGI utama sebelum stabil secara harian dan tervalidasi dengan data lapangan.