Pemahaman tentang dinamika ekosistem laut menjadi aspek krusial dalam upaya pelestarian dan pengelolaan lingkungan perairan yang berkelanjutan. Salah satu komponen ekosistem yang memegang peranan penting adalah mesozooplankton. Organisme ini berperan sebagai penghubung antara produsen primer seperti fitoplankton dengan organisme yang berada pada tingkat trofik lebih tinggi, termasuk ikan. Selain itu, mesozooplankton memiliki kontribusi signifikan dalam siklus biogeokimia karbon dan nutrien melalui berbagai proses ekologis seperti migrasi vertikal harian.
Meski memiliki peran yang krusial, pemodelan dan peramalan dinamika komunitas mesozooplankton tetap menjadi tantangan besar. Kompleksitas ekosistem laut dengan interaksi yang melibatkan berbagai faktor fisika, kimia, dan biologi sering kali sulit dipahami dan dimodelkan secara akurat. Model berbasis teori menghadapi keterbatasan dalam menangkap interaksi kompleks tersebut karena membutuhkan parameterisasi yang rinci dan sulit dipenuhi. Untuk menjawab tantangan ini, pendekatan berbasis data yang didukung oleh metode pembelajaran mesin seperti Graph Neural Network (GNN) menawarkan solusi yang menjanjikan.
GNN memiliki kemampuan unik dalam memodelkan data yang bersifat multivariat dan menangkap hubungan antar variabel yang saling terkait secara kompleks. Dengan memanfaatkan struktur graf, GNN dapat merepresentasikan hubungan antar variabel ekosistem dan memberikan wawasan yang mendalam tentang pola dinamika komunitas mesozooplankton. Kemampuan ini memungkinkan GNN untuk mengatasi keterbatasan model berbasis teori yang sulit memvisualisasikan hubungan kompleks antar variabel dalam ekosistem laut.
Dalam penelitian yang dilakukan oleh Jeung et al. (2025), GNN diaplikasikan untuk meramalkan dinamika komunitas mesozooplankton di Teluk Jinhae, Korea Selatan. Penelitian ini menggunakan model Spectral-Temporal Graph Neural Network (StemGNN) yang dirancang untuk menangkap pola temporal dan hubungan antar variabel dalam domain spektral. Salah satu temuan penting dari penelitian ini adalah bahwa akurasi peramalan mesozooplankton sangat dipengaruhi oleh struktur graf yang digunakan dalam pelatihan model. Penambahan jumlah node dalam graf tidak selalu meningkatkan kinerja model. Sebaliknya, spesies mesozooplankton yang memiliki keterkaitan erat cenderung menghasilkan output peramalan yang serupa dalam hal tren dan waktu puncak.
Selain penggunaan GNN, penelitian ini juga mengeksplorasi teori transfer entropy untuk menganalisis interaksi antar variabel dalam ekosistem. Transfer entropy memungkinkan identifikasi hubungan nonlinear dari data deret waktu, memberikan wawasan yang lebih mendalam tentang dinamika ekosistem yang kompleks. Dengan menggabungkan pendekatan GNN dan transfer entropy, penelitian ini berhasil mengidentifikasi faktor-faktor kunci yang mempengaruhi komunitas mesozooplankton serta menunjukkan bahwa struktur graf yang tepat dapat meningkatkan akurasi pemodelan.
Salah satu temuan yang menarik adalah bahwa durasi sinar matahari dan curah hujan memiliki hubungan yang kuat dengan dinamika mesozooplankton. Durasi sinar matahari mempengaruhi pertumbuhan fitoplankton yang merupakan sumber makanan utama mesozooplankton, sementara curah hujan mempengaruhi masuknya beban nutrien ke perairan. Hubungan ini menunjukkan bahwa perubahan lingkungan yang dipicu oleh faktor meteorologi dapat memberikan dampak yang signifikan pada komunitas mesozooplankton.
Dalam penelitian ini, model StemGNN menunjukkan kinerja yang lebih baik dibandingkan dengan model Long Short-Term Memory (LSTM) yang digunakan sebagai baseline. StemGNN mampu memanfaatkan hubungan antar variabel input secara efektif untuk meningkatkan keluaran model. Sebaliknya, LSTM yang hanya mempertimbangkan ketergantungan temporal tidak mampu menangkap kompleksitas hubungan antar spesies mesozooplankton dengan baik.
Analisis lebih lanjut menunjukkan bahwa peningkatan jumlah node dalam graf tidak selalu menghasilkan perbaikan kinerja peramalan. Pada beberapa kasus, peningkatan jumlah node justru meningkatkan sensitivitas model terhadap variabel yang tidak dapat diprediksi atau outlier. Hal ini menunjukkan bahwa pemilihan struktur graf yang tepat sangat penting dalam pemodelan menggunakan GNN. Konstruksi graf yang efektif harus mempertimbangkan keterkaitan antar variabel dengan memperhitungkan interaksi yang signifikan saja.
Meskipun hasil penelitian ini menunjukkan potensi besar GNN dalam memodelkan dinamika komunitas mesozooplankton, terdapat beberapa keterbatasan yang perlu diatasi dalam penelitian lanjutan. Salah satunya adalah perlunya evaluasi kinerja model secara terpisah untuk variabel target yang esensial atau terkait. Selain itu, penambahan variabel lain yang berhubungan dengan interaksi trofik atas atau bawah, seperti fitoplankton dan predator, dapat meningkatkan akurasi model. Penggunaan waktu tunda antar variabel dalam pelatihan model juga dapat memberikan peningkatan kinerja dengan meningkatkan korelasi pada waktu tertentu antara variabel input dan output.
Penelitian ini menyimpulkan bahwa pendekatan berbasis GNN dan transfer entropy dapat memberikan pemahaman yang lebih dalam tentang hubungan antar variabel dalam dinamika ekosistem mesozooplankton. Hasil penelitian ini menegaskan pentingnya konstruksi graf yang tepat untuk meningkatkan akurasi peramalan komunitas mesozooplankton serta memberikan wawasan yang lebih komprehensif tentang faktor-faktor yang mempengaruhi ekosistem laut.
Sumber:
Leave a Reply