Prediksi Jangka Pendek Hasil Tangkapan Hilsa ( Tenualosa ilisha ) di Teluk Benggala Utara Menggunakan Algoritma Machine Learning Canggih

ABSTRAK
Hilsa merupakan sumber daya perikanan lintas batas yang vital di Teluk Benggala (BoB), yang memiliki kepentingan komersial, ekologi, dan budaya. Studi ini bertujuan untuk mengembangkan prediksi jangka pendek tangkapan Hilsa di BoB utara menggunakan model pembelajaran mesin (ML). Teknik prediksi dikembangkan dengan mempertimbangkan tangkapan Hilsa georeferensi per unit upaya (CPUE) sebagai fungsi variabel lingkungan seperti salinitas permukaan, suhu permukaan laut (SST), kecepatan arus permukaan, dan arah. Kami menggunakan dua algoritma ML canggih, yaitu hutan acak (RF) dan 5. (XGBoost) untuk memeriksa kemanjurannya dalam prediksi jangka pendek Hilsa untuk BoB utara dan membandingkan kinerja model dengan informasi dasar yang diperoleh melalui regresi linier berganda (MLR). Analisis kami menunjukkan peningkatan signifikan dalam akurasi prediksi menggunakan teknik ML canggih di mana XGBoost kembali mengungguli RF. Nilai root mean square error (RMSE) antara CPUE yang diamati dan diprediksi untuk model RF dan XGBoost masing-masing adalah 5,72 dan 5,63 kg/jam. Koefisien korelasi (r) antara tangkapan yang diamati dan yang diprediksi adalah 0,90 dan 0,93 untuk RF dan XGBoost, masing-masing. Analisis SHapley Additive exPlanations (SHAP) mengungkapkan pengaruh tertinggi (58,38%) dari kecepatan arus permukaan pada Hilsa CPUE. Kami membuat peta prediksi spasial Hilsa CPUE menggunakan model dengan kinerja terbaik (XGBoost) dengan efisiensi prediksi 85%. Studi ini menunjukkan potensi model XGBoost dalam mengembangkan prediksi jangka pendek untuk Hilsa di BoB utara, menuju pengembangan saran perikanan Hilsa untuk pengelolaan sumber daya perikanan ini secara berkelanjutan.