Pendampingan Penyusunan Peta Potensi Perikanan dan Valuasi Ekonominya di Kabupaten Buton Selatan
DOI:
https://doi.org/10.58812/jpws.v5i01.3158Kata Kunci:
Pengabdian Masyarakat, Valuasi Ekonomi, Pemetaan Perikanan, SIG, Machine LearningAbstrak
Keterbatasan data spasial terintegrasi menjadi kendala utama pemerintah daerah dalam merumuskan kebijakan pengelolaan perikanan berkelanjutan. Kabupaten Buton Selatan, sebagai wilayah pesisir strategis di Sulawesi Tenggara, memerlukan peta potensi perikanan yang mampu mengaitkan kondisi oseanografi dengan nilai ekonomi wilayah laut. Kegiatan pengabdian ini bertujuan mendampingi Badan Penelitian dan Pengembangan Daerah dalam penyusunan peta potensi perikanan beserta valuasi ekonominya sebagai dasar perencanaan pembangunan daerah. Metode pelaksanaan dilakukan melalui pelatihan dan pendampingan teknis pengolahan data oseanografi dan aktivitas kapal menggunakan Google Earth Engine, Python, dan QGIS, serta pemodelan Multi-Layer Perceptron untuk membangun peta sidik jari perairan. Data yang digunakan meliputi suhu permukaan laut, klorofil-a, arus, salinitas, ketinggian muka laut, topografi dasar laut, dan data Vessel Monitoring System. Hasil kegiatan menghasilkan peta potensi perikanan enam kelas dengan luas sekitar 15,8 juta hektar dan estimasi nilai ekonomi Rp1,18 triliun. Peta ini dimanfaatkan sebagai rujukan awal zonasi perikanan dan prioritas pembangunan sektor kelautan daerah.
Referensi
Badan Pusat Statistik Provinsi Sulawesi Tenggara menurut lapangan usaha 2020–2024. BPS Provinsi Sulawesi Tenggara.
Budiman, I., Wisudyawati, D., & Azzahra, A. (2023). Penyebab dan dampak ekologis dari susut hasil produksi ikan di Indonesia. Dalam Pengelolaan sumber daya perikanan laut berkelanjutan (pp. 55–78). Penerbit BRIN.
Folke, C., Hahn, T., Olsson, P., & Norberg, J. (2005). Adaptive governance of social-ecological systems. Annual Review of Environment and Resources, 30, 441–473. https://doi.org/10.1146/annurev.energy.30.050504.144511
Heddam, S. (2016). Multilayer perceptron neural network-based approach for modeling phycocyanin pigment concentrations: Case study from lower Charles River buoy, USA. Environmental Science and Pollution Research, 23(17), 17210–17225. https://doi.org/10.1007/s11356-016-6905-9
Heimbach, P., O’Donncha, F., Smith, T. A., García-Valdecasas, J. M., Arnaud, A., & Wan, L. (2025). Crafting the future: Machine learning for ocean forecasting. State of the Planet, 5, 1–9. https://doi.org/10.5194/sp-5-opsr-22-2025
Reed, M. S., Evely, A. C., Cundill, G., Fazey, I., Glass, J., Laing, A., Newig, J., Parrish, B., Prell, C., Raymond, C., & Stringer, L. C. (2010). What is social learning? Ecology and Society, 15(4), Article 1. https://doi.org/10.5751/ES-03564-150401
Sarinah, S., Maarif, S., Hardjomidjojo, H., & Adrianto, L. (2019). Potential area mapping for seaweed aquaculture based on interval type-2 fuzzy sets and multi-layer perceptron algorithm. International Journal of Advanced Research, 7(2), 1079–1089. https://dx.doi.org/10.21474/IJAR01/8584
Sivasankari, S., Saravanan, R., Balamurugan, R., & Manjula, P. (2022). HE-DFNETS: Hybrid neural network architecture for efficient detection of potential fishing zones. Journal of King Saud University – Computer and Information Sciences, 34(7), 4535–4549. https://doi.org/10.1155/2022/5081541
Xie, M., Liu, B., & Chen, X. (2024). Deep learning-based fishing ground prediction with multiple environmental factors. Marine Life Science & Technology, 6(4), 736–749. https://doi.org/10.1007/s42995-024-00222-4
Unduhan
Dimensions
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Miming Lestari
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Facebook 
Instagram 
Twitter 
Youtube 
westscience.journals@gmail.com