Electronic Theses and Dissertation

Upwelling merupakan fenomena naiknya massa air dari lapisan bawah ke permukaan danau yang membawa zat-zat beracun, sehingga terjadi kematian ikan secara massal. Klasifikasi adalah teknik dalam machine learning yang digunakan untuk mengelompokkan data ke dalam kategori atau label tertentu berdasarkan pola yang dipelajari dari data latih. Dalam penelitian ini, klasifikasi diterapkan untuk membedakan kondisi upwelling menjadi dua label, yaitu berpotensi dan tidak berpotensi upwelling. Penelitian ini bertujuan untuk mengembangkan model prediksi kejadian upwelling menggunakan semi-supervised learning, guna memberikan wawasan yang lebih baik terhadap pola kejadian ini. Penelitian ini menggunakan desain observasional dengan analisis data iklim harian dari 2017 hingga 2023, yang mencakup 2.556 observasi. Data diperoleh dari situs NASA dengan titik koordinat di Danau Laut Tawar, Aceh Tengah. Variabel penelitian meliputi kejernihan langit, suhu udara, suhu permukaan, curah hujan, tekanan permukaan, dan kecepatan angin. Analisis data dilakukan menggunakan algoritma K-Means clustering untuk menentukan klaster, diikuti oleh klasifikasi dengan Support Vector Machine (SVM) menggunakan kernel linier, polinomial, dan radial basis function (RBF). Evaluasi model dilakukan dengan menggunakan confusion matrix dan metrik seperti akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa dua klaster optimal diperoleh melalui metode elbow dan silhouette score, membagi data menjadi kategori "berpotensi upwelling" dan "tidak berpotensi upwelling" dengan silhouette score 0,7737. Model SVM dengan kernel polinomial dan RBF menunjukkan performa terbaik, dengan akurasi hingga 1, presisi 1, recall 1, dan F1-Score 1 pada konfigurasi data training 90% dan testing 10%. Model SVM dengan kernel polinomial dan RBF terbukti efektif dalam memprediksi upwelling di Danau Laut Tawar.

Kata kunci: upwelling, data iklim historis, k-means clustering, support vector machine

Upwelling is the phenomenon of rising water masses from the bottom layer to the surface of the lake that carries toxic substances, resulting in mass fish kills. Classification is a technique in machine learning used to group data into certain categories or labels based on patterns learned from training data. In this study, classification is applied to distinguish upwelling conditions into two labels, namely potential and non-potential upwelling. This study aims to develop an upwelling event prediction model using semi-supervised learning, to provide better insight into this event pattern. This study uses an observational design with daily climate data analysis from 2017 to 2023, which includes 2,556 observations. The data was obtained from the NASA website with coordinates at Lake Laut Tawar, Central Aceh. Research variables include sky clarity, air temperature, surface temperature, rainfall, surface pressure, and wind speed. Data analysis was conducted using K-Means clustering algorithm to determine clusters, followed by classification with Support Vector Machine (SVM) using linear, polynomial, and radial basis function (RBF) kernels. Model evaluation was performed using confusion matrix and metrics such as accuracy, precision, recall, and F1-Score. The results showed that two optimal clusters were obtained through the elbow method and silhouette score, dividing the data into “upwelling potential” and “no upwelling potential” categories with a silhouette score of 0.7737. The SVM model with polynomial kernel and RBF showed the best performance, with accuracy up to 1, precision 1, recall 1, and F1-Score 1 in the 90% training and 10% testing data configuration. SVM model with polynomial kernel and RBF proved to be effective in predicting upwelling in Lake Laut Tawar. Keywords: upwelling, historical climate data, k-means clustering, support vector machine