Laut merupakan sumber kehidupan yang menyediakan pangan, menyerap karbon, dan menjaga keseimbangan iklim dunia. Namun, perubahan kecil pada kandungan klorofil di laut dapat menjadi sinyal awal terjadinya gangguan ekosistem, sehingga diperlukan metode analisis yang mampu mendeteksi perubahan tersebut secara cepat, akurat, dan berbasis data.
Kemajuan teknologi satelit telah menghasilkan jutaan data lingkungan setiap hari. Salah satu data yang paling penting adalah konsentrasi klorofil, yaitu pigmen hijau pada fitoplankton yang berfungsi sebagai indikator utama produktivitas primer di laut. Tinggi rendahnya konsentrasi klorofil memberikan gambaran mengenai tingkat kesuburan perairan, dinamika rantai makanan, hingga potensi terjadinya ledakan alga (harmful algal blooms) yang dapat mengganggu keseimbangan ekosistem laut. Oleh karena itu, kemampuan mengolah data klorofil secara akurat menjadi kebutuhan penting dalam pengelolaan sumber daya kelautan.
Permasalahan yang sering dihadapi adalah karakteristik data klorofil sangat kompleks. Nilainya berubah mengikuti lokasi, kedalaman, musim, maupun kondisi lingkungan lainnya. Akibatnya, penggunaan satu model statistik saja sering kali tidak mampu menggambarkan kondisi sebenarnya. Kesalahan memilih model dapat menghasilkan prediksi yang kurang tepat dan berdampak pada pengambilan keputusan dalam pengelolaan lingkungan laut.
Menjawab tantangan tersebut, tim peneliti Universitas Airlangga yang terdiri dari Felix Reba, Dr. Toha Saifudin, dan Dr. Rimuljo Hendradi mengembangkan sebuah kerangka analisis yang mengintegrasikan inferensi statistik dan teknik data mining untuk mengidentifikasi model distribusi probabilitas terbaik pada data klorofil laut.
Penelitian ini menawarkan pendekatan baru dengan menggabungkan metode statistik inferensial dan teknik data mining berbasis kecerdasan buatan (Artificial Intelligence). Delapan model distribusi probabilitas dievaluasi untuk mengetahui model mana yang paling mampu merepresentasikan karakteristik data klorofil yang diperoleh dari Copernicus Marine Service, salah satu penyedia data kelautan berbasis satelit terbesar di dunia. Evaluasi dilakukan menggunakan dua uji Goodness-of-Fit, yaitu Kolmogorov-Smirnov (KS) dan Anderson-Darling (AD), serta lima kriteria informasi statistik yang mempertimbangkan keseimbangan antara tingkat kecocokan model dan kompleksitasnya.
Keunggulan penelitian ini tidak berhenti pada pemilihan model statistik terbaik. Peneliti juga memanfaatkan algoritma K-Means Clustering, salah satu teknik machine learning yang banyak digunakan dalam pengelompokan data. Berbeda dengan pendekatan konvensional yang hanya memberikan peringkat model terbaik, metode ini mengelompokkan seluruh model berdasarkan kemiripan perilaku statistiknya. Kualitas pengelompokan kemudian dievaluasi menggunakan Silhouette Index, sehingga hasil yang diperoleh tidak hanya akurat, tetapi juga memiliki tingkat konsistensi yang tinggi.
Hasil penelitian menunjukkan bahwa distribusi Inverse Gaussian dan Extreme Value secara konsisten memberikan performa terbaik pada berbagai ukuran sampel. Kedua distribusi tersebut mampu menggambarkan karakteristik data klorofil dengan lebih baik dibandingkan model lainnya. Sebaliknya, distribusi Half-Normal menunjukkan performa yang kurang memuaskan karena tidak mampu mengikuti pola data yang sebenarnya, terutama ketika jumlah sampel relatif kecil. Temuan ini membuktikan bahwa tidak semua model statistik sesuai digunakan untuk setiap jenis data lingkungan. Pemilihan model harus mempertimbangkan karakteristik data secara menyeluruh, bukan sekadar berdasarkan kebiasaan penggunaan model tertentu.
Lebih jauh lagi, penelitian ini menghasilkan sebuah klasifikasi perilaku model distribusi yang memudahkan peneliti dalam memilih model statistik sesuai kondisi data yang dihadapi. Pendekatan tersebut memberikan sudut pandang baru karena analisis tidak lagi hanya berfokus pada nilai statistik semata, tetapi juga melihat hubungan antar model melalui proses clustering. Dengan demikian, proses analisis menjadi lebih objektif, mudah diinterpretasikan, dan memiliki dasar ilmiah yang lebih kuat.
Manfaat penelitian ini tidak hanya dirasakan oleh kalangan akademisi. Hasilnya dapat diintegrasikan ke dalam Decision Support System (DSS) berbasis satelit untuk membantu pemerintah, lembaga lingkungan, maupun sektor perikanan dalam memantau kesehatan laut secara real time. Informasi yang dihasilkan dapat digunakan untuk mendeteksi lebih awal potensi ledakan alga, menentukan wilayah penangkapan ikan yang produktif, memantau dampak perubahan iklim, hingga mendukung kebijakan konservasi laut yang lebih tepat sasaran. Hal ini menunjukkan bahwa perpaduan antara statistik, machine learning, dan data satelit mampu menghasilkan solusi yang lebih efektif bagi pengelolaan sumber daya laut.
Selain memiliki kontribusi metodologis, penelitian ini juga mendukung pencapaian Sustainable Development Goal (SDG) 14: Life Below Water, yaitu menjaga keberlanjutan ekosistem laut melalui pengelolaan berbasis bukti ilmiah. Dengan analisis yang semakin akurat, berbagai kebijakan lingkungan dapat disusun berdasarkan informasi yang lebih terpercaya sehingga risiko kerusakan ekosistem dapat diminimalkan.
Penulis: Dr. Toha Saifudin, M.Si.
Detail publikasi artikel:
Felix Reba, Toha Saifudin, & Rimuljo Hendradi (2026). Advanced Inferential Statistics and Data Mining for Chlorophyll Distribution Clustering. IAES International Journal of Artificial Intelligence (IJ-AI), Vol. 15(3), 2081–2091.
