Analisis Prediksi Sebaran Zona Potensial Penangkapan Ikan (ZPPI) Menggunakan Algoritma K-Nearest Neighbor di Perairan Gunung Kidul

Sigit Nur Dian  Syah; Ozzi Surya

doi:10.69693/ijmst.v4i3.13046

Authors

Sigit Nur Dian Syah Universitas Mercu Buana Yogyakarta
Ozzi Surya Universitas Mercu Buana Yogyakarta

DOI:

https://doi.org/10.69693/ijmst.v4i3.13046

Keywords:

Cross-Validation, K-Nearest Neighbor, Klorofil-a, Suhu Permukaan Laut, Web-GIS.

Abstract

Wilayah perairan selatan Kabupaten Gunung Kidul memiliki potensi sumber daya perikanan tangkap yang melimpah, namun pemanfaatannya oleh nelayan tradisional masih menghadapi kendala dalam menentukan lokasi penangkapan ikan yang efektif dan tidak bersifat spekulatif. Penelitian ini bertujuan untuk merancang sistem prediksi spasial Zona Potensial Penangkapan Ikan (ZPPI) secara komputasional menggunakan algoritma K-Nearest Neighbor (KNN). Dataset utama diperoleh dari citra satelit NOAA berformat NetCDF secara harian selama periode 15–31 Oktober 2025 yang mencakup lima kluster Tempat Pelelangan Ikan (TPI) utama. Tahapan prapemrosesan meliputi penyaringan spasial, pembersihan data akibat tutupan awan, pemisahan fitur prediktor, dan transformasi nilai menggunakan metode Min-Max Scaling. Pelabelan data aktual dilakukan berdasarkan Standard Oceanographic Threshold, yaitu area dikategorikan potensial apabila Suhu Permukaan Laut (SST) ≥28,0°C dan konsentrasi Klorofil-a >0,22 mg/m³. Eksperimen dilakukan menggunakan skenario 10-Fold Cross Validation dengan membandingkan metrik Euclidean Distance dan Manhattan Distance pada nilai K=3, 5, 7, 9, dan 11. Hasil penelitian menunjukkan bahwa konfigurasi K=3 dengan Euclidean Distance menghasilkan performa terbaik, dengan akurasi sebesar 97% dan F1-Score sebesar 0,97. Hasil prediksi selanjutnya diintegrasikan ke dalam antarmuka Web-GIS interaktif menggunakan pustaka Folium pada Python 3.12. Sistem menampilkan area potensial dan non-potensial secara visual, sehingga dapat mendukung nelayan dalam menentukan lokasi penangkapan ikan secara lebih efektif, presisi, dan berbasis data

References

[1] Ginanjar, M. A., Wahyudi, A., & Alfaris, L. (2025). Examining the interrelationship among chlorophyll-a distribution, sea surface temperature patterns, and fishing ground in Southern Java Sea. Indo-MathEdu Intellectuals Journal, 6(1), 784–792. https://doi.org/10.54373/imeij.v6i1.2626

[2] Pratama, G. B., Aisyah, A., & Muhyun, A. A. (2025). Impact of oceanographic variability on chlorophyll-a concentration and sea surface temperature in North Maluku waters and its influence on fish abundance. Asian Journal of Fisheries and Aquatic Research, 27(2), 13–20. https://doi.org/10.9734/ajfar/2025/v27i2876

[3] Nagi, A., Napitupulu, G., Radjawane, I., Nurdjaman, S., Supriadi, D., & Nurhayati, D. (2023). Pemetaan zona potensial penangkapan ikan tongkol di Perairan Teluk Banten. Buletin Oseanografi Marina, 12(3), 379–394. https://doi.org/10.14710/buloma.v12i3.50374

[4] Lubis, M. G. A., Palupi, R., Astriani, A., & Khotimah, P. A. (2024). Model prediksi kelimpahan ikan tongkol (Euthynnus affinis) menggunakan metode K-Nearest Neighbor (K-NN) di Laut Jawa. Journal of Fisheries and Marine Research, 8(3), 1–7. https://doi.org/10.21776/ub.jfmr.2024.008.03.1

[5] Uddin, S., Haque, I., Lu, H., Moni, M. A., & Gide, E. (2022). Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Scientific Reports, 12, 6256. https://doi.org/10.1038/s41598-022-10358-x

[6] Allorerung, P. P., Erna, A., Bagussahrir, M., & Alam, S. (2024). Analisis performa normalisasi data untuk klasifikasi K-Nearest Neighbor pada dataset penyakit. JISKA (Jurnal Informatika Sunan Kalijaga), 9(3), 178–191. https://doi.org/10.14421/jiska.2024.9.3.178-191

[7] Permana, I., & Salisah, F. N. S. (2022). Pengaruh normalisasi data terhadap performa hasil klasifikasi algoritma Backpropagation. Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), 2(1), 67–72. https://doi.org/10.57152/ijirse.v2i1.311

[8] Lumumba, V. W., Kiprotich, D., Mpaine, M. L., Makena, N. G., & Kavita, M. D. (2024). Comparative analysis of cross-validation techniques: LOOCV, K-folds cross-validation, and repeated K-folds cross-validation in machine learning models. American Journal of Theoretical and Applied Statistics, 13(5), 127–137. https://doi.org/10.11648/j.ajtas.20241305.13

[9] Teodorescu, V., & Obreja Brașoveanu, L. (2025). Assessing the validity of k-fold cross-validation for model selection: Evidence from bankruptcy prediction using Random Forest and XGBoost. Computation, 13(5), 127. https://doi.org/10.3390/computation13050127

[10] Salsabila, S., Martha, S., & Andani, W. (2024). Komparasi algoritma K-Nearest Neighbor dengan Euclidean distance dan Manhattan distance untuk klasifikasi stunting balita. Bimaster: Buletin Ilmiah Matematika, Statistika dan Terapannya, 13(2). https://doi.org/10.26418/bbimst.v13i2.77245

[11] Setiawan, A. (2022). Perbandingan penggunaan jarak Manhattan, jarak Euclid, dan jarak Minkowski dalam klasifikasi menggunakan metode KNN pada data Iris. Jurnal Sains dan Edukasi Sains, 5(1), 28–37. https://doi.org/10.24246/juses.v5i1p28-37

[12] Singh, H., Sharma, V., & Singh, D. (2022). Comparative analysis of proficiencies of various textures and geometric features in breast mass classification using k-nearest neighbor. Visual Computing for Industry, Biomedicine, and Art, 5, 2. https://doi.org/10.1186/s42492-021-00100-1

[13] Suma, K. G., Sunitha, G., Avanija, J., Galety, M. G., & Varna, C. P. (2024). Geospatial data visualization with Folium. In Geospatial Application Development Using Python Programming (Ch. 7). IGI Global. https://doi.org/10.4018/979-8-3693-1754-9.ch007

[14] Camara, G. S., Camboim, S. P., & Bravo, J. V. M. (2021). Using Jupyter notebooks for viewing and analysing geospatial data: Two examples for emotional maps and education data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVI-4/W2-2021, 17–24. https://doi.org/10.5194/isprs-archives-XLVI-4-W2-2021-17-2021

[15] Marie, P. (2026). Creating interactive maps with Folium and Python. In Modern Web Cartography. Apress. https://doi.org/10.1007/979-8-8688-2335-0_5