Ekosistem sungai tropis yang dipengaruhi oleh dinamika pasang surut (tidal-influenced rivers) merupakan salah satu tipe perairan yang memiliki kompleksitas ekologis tinggi . Sungai-sungai mengalami fluktuasi kondisi fisika dan kimia secara terus-menerus akibat percampuran air tawar dan air laut, menciptakan perubahan lingkungan yang ekstrem dan dinamis. Pemahaman mengenai komunitas biologis terhadap dinamika tersebut menjadi kunci dalam upaya penilaian kesehatan ekosistem sungai secara menyeluruh. Salah satu organisme yang menjadi bioindikator kesehatan ekosistem adalah mikroalga.
Mikroalga, khususnya kelompok Bacillariophyta atau diatom, dikenal sebagai bioindikator ekosistem perairan yang sangat sensitif. Keberadaan, keanekaragaman, dan kelimpahan spesies-spesies tertentu menggambarkan kondisi fisika-kimia perairan secara langsung, yang meliputi salinitas, suhu, kandungan oksigen terlarut, serta kadar nutrien. Komunitas mikroalga dapat dijadikan cermin kondisi ekologis suatu perairan dengan cara yang tidak dapat diperoleh hanya melalui pengukuran parameter kimia.
Komunitas mikroalga di kawasan sungai terbagi mengikuti gradien lingkungan yang terbentuk dari percampuran air laut dan air tawar. Segmen hilir yang terpengaruh salinitas dan nutrien tinggi cenderung dihuni oleh spesies diatom estuaria yang toleran terhadap kondisi air payau. Sebaliknya, segmen hulu dengan kualitas air yang lebih segar dan kadar oksigen terlarut lebih tinggi mendukung kehadiran spesies yang sensitif terhadap polusi dan salinitas, yang secara ekologis menjadi penanda kualitas air yang baik.
Penelitian ini dirancang dengan pengambilan sampel secara periodik yang mencakup variasi kondisi pasang purnama (spring tide) dan pasang perbani (neap tide) guna menangkap dinamika temporal secara komprehensif. Stasiun pengambilan sampel ditempatkan secara sistematis di segmen hulu, tengah, dan hilir sungai untuk merepresentasikan keseluruhan gradien ekologis. Pengukuran parameter kualitas air dilakukan secara menyeluruh terhadap berbagai variabel fisika dan kimia. Teknik Analisis Komponen Utama (Canonical Correspondence Analysis-CCA) diterapkan untuk mengidentifikasi faktor-faktor lingkungan yang paling berperan dalam menentukan kondisi perairan secara keseluruhan.
Hasil penelitian mengungkap keanekaragaman spesies mikroalga yang tinggi, dengan kelompok Bacillariophyta mendominasi komunitas secara keseluruhan. Temuan ini konsisten dengan berbagai penelitian ekologi perairan di kawasan tropis yang menunjukkan peran sentral diatom sebagai komponen utama fitoplankton dan alga epilitik di ekosistem sungai. Analisis Canonical Correspondence Analysis (CCA) membuktikan bahwa dinamika tidal, gradien salinitas, dan ketersediaan nutrien merupakan faktor lingkungan dominan yang mengendalikan komposisi dan variasi komunitas mikroalga baik pada komunitas fitoplankton maupun alga epilitik (alga yang menempel pada substrat keras seperti batu). Berdasarkan analisis pengelompokan hierarkis (hierarchical clustering), wilayah penelitian berhasil dibagi menjadi beberapa zona ekologis yang berbeda secara statistik, mencerminkan perbedaan karakteristik komunitas biologis di sepanjang gradien sungai.
Salah satu kontribusi paling signifikan dari penelitian ini adalah integrasi algoritma machine learning untuk memprediksi kondisi komunitas alga berdasarkan variabel lingkungan. Enam algoritma dievaluasi kinerjanya, meliputi Jaringan Saraf Tiruan (Artificial Neural Network/ANN), Support Vector Machine (SVM), Pohon Keputusan (Decision Tree/DT), K-Nearest Neighbors (KNN), Random Forest (RF), dan Extreme Gradient Boosting (XGBoost). Hasil evaluasi menunjukkan perbedaan performa yang jelas antara dataset fitoplankton dan alga epilitik. Prediksi komunitas fitoplankton, sebagian besar algoritma mencapai tingkat akurasi yang setara. Namun, pada dataset alga epelitik, algoritma berbasis ensemble seperti Random Forest dan XGBoost secara konsisten mengungguli algoritma lainnya. Keunggulan ini mengindikasikan bahwa model ensemble lebih mampu menangkap pola kompleks dan nonlinier dalam data ekologis, terutama ketika hubungan antarvariabel bersifat multidimensional.
Penelitian ini memberikan beberapa kontribusi penting bagi ilmu ekologi perairan dan pengelolaan lingkungan. Pertama, studi ini membuktikan bahwa mikroalga dapat berfungsi sebagai bioindikator untuk menilai kondisi ekologis sungai tropis bertipe tidal sebuah pendekatan yang lebih sensitif, efisien, dan hemat biaya dibandingkan dengan pemantauan kimia konvensional. Kedua, integrasi antara analisis ekologi multivariat dan algoritma machine learning terbukti menghasilkan penilaian kesehatan sungai yang lebih komprehensif dan prediktif. Pendekatan ini berpotensi diadaptasi untuk pemantauan kualitas perairan di berbagai kawasan tropis lainnya, termasuk di Indonesia yang memiliki kekayaan ekosistem sungai yang sangat beragam.
Penelitian ini menjelaskan bahwa pendekatan bioindikator berbasis mikroalga, dikombinasikan dengan teknologi kecerdasan buatan, merupakan terobosan yang menjanjikan dalam pemantauan dan penilaian kesehatan ekosistem sungai tropis. Pengembangan metode ini ke depan terutama dengan memperluas cakupan data pelatihan model dan mengintegrasikan teknologi penginderaan jauh, berpotensi menghasilkan sistem pemantauan perairan yang lebih cepat, akurat, dan berkelanjutan. Temuan-temuan ini diharapkan dapat menjadi landasan ilmiah bagi pengambil kebijakan dalam merancang strategi pengelolaan ekosistem perairan yang lebih berbasis bukti dan berwawasan lingkungan.
Penulis: Luthfiana Aprilianita Sari, S.Pi., M.Si.
Link:
