Mengenal Fish Ground Index: Ketika Laut Dibaca sebagai Peluang, Bukan Kepastian

Dalam tulisan-tulisan NELAYA-AI dan LAOT, istilah Fish Ground Index atau FGI sering muncul. Istilah ini penting karena ia menjadi salah satu cara untuk menjembatani data laut yang rumit dengan kebutuhan publik yang sederhana: di mana laut hari ini tampak lebih mendukung sebagai wilayah peluang penangkapan ikan?

Namun sejak awal, kita harus menjaga pagar ilmiah yang paling penting: FGI bukan peta kepastian ikan. FGI bukan janji bahwa ikan pasti ada. FGI bukan jaminan hasil tangkapan. FGI bukan perintah melaut. FGI adalah indeks peluang ekologis-operasional yang membaca apakah kondisi laut di suatu wilayah tampak lebih mendukung dibanding wilayah lain berdasarkan data yang tersedia.

Kata peluang perlu ditegaskan. Laut tidak pernah berjanji. Ikan adalah makhluk hidup yang bergerak, makan, menghindari predator, merespons suhu, cahaya, oksigen, arus, musim, alat tangkap, dan banyak faktor lain. Karena itu, sebaik apa pun data yang kita miliki, kita tidak boleh mengatakan ikan pasti berada di satu titik. Yang dapat kita katakan secara lebih jujur adalah: kondisi di sini lebih sesuai, kurang sesuai, atau belum cukup data.

Dalam bahasa sederhana, FGI adalah skor yang membantu membaca apakah suatu wilayah laut sedang memiliki tanda-tanda ekologis yang lebih baik untuk kehidupan dan pergerakan ikan. Tanda-tanda itu dapat berupa suhu yang nyaman, klorofil-a yang menunjukkan produktivitas, arus yang membawa makanan, front yang mempertemukan massa air, eddy yang mengumpulkan nutrien atau plankton, kedalaman yang sesuai, dan kondisi gelombang yang masih dapat dipertimbangkan secara operasional.

FGI lahir dari pemikiran bahwa laut tidak bisa dibaca dari satu parameter saja. Suhu permukaan laut penting, tetapi tidak cukup. Klorofil-a penting, tetapi tidak cukup. Arus penting, tetapi tidak cukup. Kedalaman penting, tetapi tidak cukup. Bahkan jika semua parameter tampak bagus, keselamatan melaut tetap harus menjadi pagar utama. Maka FGI harus dibaca sebagai gabungan sinyal, bukan angka sakti.

Di masa lalu, banyak pendekatan Potential Fishing Zone atau PFZ memakai dua parameter utama: suhu permukaan laut dan klorofil-a. Ini masuk akal karena suhu memengaruhi kenyamanan fisiologis ikan, sedangkan klorofil-a memberi petunjuk tentang produktivitas dasar rantai makanan. Tetapi laut nyata jauh lebih kompleks. Ikan tidak hanya merespons suhu dan plankton, melainkan juga arus, kedalaman, front, oksigen, musim, dan perilaku spesies.

Karena itu, FGI NELAYA-AI sebaiknya dipahami sebagai pengembangan yang lebih berhati-hati dari gagasan zona potensial ikan. Bukan sekadar menandai warna hijau di peta, tetapi membaca struktur laut secara lebih luas: fisika laut, produktivitas, habitat, dinamika arus, dan keselamatan operasional. Semakin banyak bukti yang konsisten, semakin kuat confidence. Semakin banyak data yang hilang atau bertentangan, semakin rendah confidence.

FGI memiliki hubungan erat dengan Habitat Suitability Model. HSM bertanya: apakah lingkungan ini sesuai untuk suatu spesies atau kelompok ikan? FGI bertanya lebih operasional: dari wilayah yang sesuai itu, bagian mana yang tampak lebih layak dibaca sebagai peluang hari ini, dengan mempertimbangkan data laut terbaru, dinamika fisika, dan batas keselamatan?

Dengan kata lain, HSM lebih dekat dengan kesesuaian habitat, sedangkan FGI lebih dekat dengan indeks peluang penangkapan yang tetap dibatasi oleh data confidence dan safety gate. HSM membaca rumah yang nyaman bagi ikan. FGI membaca apakah hari ini rumah itu juga memiliki tanda-tanda operasional yang lebih memungkinkan untuk diperhatikan nelayan.

Parameter pertama yang sering masuk dalam FGI adalah suhu permukaan laut atau SST. Banyak spesies ikan memiliki rentang suhu yang disukai. Jika air terlalu panas atau terlalu dingin, ikan dapat berpindah. Namun suhu permukaan bukan suhu seluruh kolom air. Untuk ikan yang bergerak vertikal, suhu bawah permukaan, termoklin, dan mixed layer juga dapat sangat penting.

Parameter kedua adalah klorofil-a. Klorofil-a membantu membaca produktivitas fitoplankton. Fitoplankton menjadi dasar rantai makanan laut. Jika klorofil-a meningkat pada kondisi yang masuk akal, wilayah itu dapat menunjukkan peningkatan produktivitas. Tetapi klorofil-a tinggi di muara keruh tidak selalu berarti plankton tinggi. Bisa saja sinyal warna laut dipengaruhi sedimen atau bahan organik terlarut. Karena itu, klorofil-a harus dibaca bersama kekeruhan, lokasi, musim, dan data confidence.

Parameter ketiga adalah arus. Arus membawa plankton, larva, nutrien, sedimen, panas, dan massa air. Arus juga dapat menciptakan konvergensi, yaitu wilayah tempat material terapung atau organisme kecil terkumpul. Di beberapa kondisi, ikan kecil dan predator dapat berkaitan dengan wilayah konvergensi atau tepi massa air. Tetapi arus yang terlalu kuat dapat menjadi risiko operasional bagi kapal kecil.

Parameter keempat adalah front laut. Front adalah batas antara dua massa air yang berbeda, misalnya berbeda suhu, salinitas, klorofil, atau densitas. Di sekitar front, makanan dapat terkonsentrasi, plankton dapat berkumpul, dan rantai makanan dapat menjadi lebih aktif. Karena itu, front sering menjadi indikator penting dalam pembacaan peluang perikanan. Namun front bukan garansi ikan. Front hanya salah satu tanda ekologis.

Parameter kelima adalah eddy. Eddy adalah pusaran laut yang dapat membawa atau mengumpulkan massa air tertentu. Eddy dapat memengaruhi nutrien, klorofil, suhu, arus, dan distribusi plankton. Dalam beberapa kondisi, tepi eddy atau interaksi eddy dengan front dapat menjadi wilayah menarik bagi ikan pelagis. Namun efek eddy bergantung pada jenis eddy, kedalaman, musim, dan ekosistem setempat.

Parameter keenam adalah kedalaman dan batimetri. Banyak ikan tidak tersebar sembarangan terhadap kedalaman. Ikan demersal berkaitan kuat dengan dasar laut, lereng, substrat, dan struktur bentik. Ikan pelagis pun dapat dipengaruhi lereng kontinen, seamount, palung, dan zona pertemuan arus di sekitar perubahan batimetri. Karena itu, FGI perlu memperhitungkan kedalaman sesuai spesies atau kelompok ikan.

Parameter ketujuh adalah oksigen terlarut jika datanya tersedia. Ikan membutuhkan oksigen. Wilayah yang suhu dan makanannya tampak cocok belum tentu baik jika oksigennya rendah. Untuk ikan aktif seperti tuna, oksigen dapat membatasi kedalaman dan ruang gerak. Dalam pengembangan FGI ke depan, oksigen bawah permukaan dapat menjadi parameter penting, terutama untuk membaca habitat vertikal.

Parameter kedelapan adalah musim. Laut Aceh tidak sama sepanjang tahun. Musim angin, gelombang, hujan, pengaruh Samudra Hindia, Selat Malaka, Laut Andaman, dan dinamika regional dapat mengubah peluang ekologis. FGI harian perlu dibaca bersama ingatan musiman. Skor tinggi pada satu musim belum tentu bermakna sama pada musim lain.

Parameter kesembilan adalah cahaya, fase bulan, dan perilaku harian untuk spesies tertentu. Beberapa ikan dan alat tangkap sangat dipengaruhi cahaya. Pergerakan vertikal plankton dan ikan kecil juga dapat berubah antara siang dan malam. Namun parameter ini tidak selalu mudah dimasukkan karena membutuhkan data biologis dan operasional yang lebih spesifik. Maka jika belum kuat, sebaiknya disebut sebagai faktor tambahan, bukan klaim utama.

Parameter kesepuluh adalah keselamatan. Ini yang membuat FGI NELAYA-AI harus berbeda dari sekadar indeks peluang ikan. Jika habitat terlihat cocok tetapi gelombang tinggi, angin kuat, arus berbahaya, jarak jauh, atau data cuaca belum meyakinkan, maka narasi FGI harus ditahan. Peluang ikan tidak boleh mengalahkan keselamatan manusia.

Dalam bentuk sederhana, FGI dapat dibayangkan sebagai gabungan beberapa skor: skor habitat, skor produktivitas, skor dinamika laut, skor akses-operasional, dan skor confidence. Skor habitat membaca suhu, kedalaman, oksigen, dan kesesuaian spesies. Skor produktivitas membaca klorofil, front, upwelling, dan nutrien secara tidak langsung. Skor dinamika membaca arus, eddy, dan konvergensi. Skor operasional membaca gelombang, angin, jarak, dan keselamatan. Skor confidence membaca kualitas data.

Namun rumus FGI tidak boleh dibuat seolah-olah semua wilayah dan semua spesies sama. Bobot untuk ikan pelagis kecil dapat berbeda dari tuna. Bobot untuk ikan demersal berbeda dari ikan permukaan. Bobot untuk nelayan kecil berbeda dari kapal besar. Bobot untuk Selat Malaka dapat berbeda dari Samudra Hindia. Karena itu, FGI perlu berkembang sebagai indeks kontekstual, bukan rumus tunggal yang dipaksakan ke semua laut.

Salah satu bentuk sederhana FGI adalah indeks komposit berbobot. Misalnya, FGI = w1 habitat + w2 produktivitas + w3 dinamika + w4 operasional + w5 confidence. w adalah bobot. Tetapi rumus ini hanya ilustrasi. Dalam praktik ilmiah, bobot harus diuji, dikalibrasi, divalidasi, dan disesuaikan dengan spesies, wilayah, musim, alat tangkap, serta tujuan penggunaan.

FGI juga dapat menggunakan pendekatan aturan pakar. Misalnya, jika gelombang melewati ambang tertentu untuk kapal kecil, maka skor operasional harus turun meskipun habitat bagus. Jika data klorofil tertutup awan atau berada di muara keruh, maka confidence turun. Jika arus terlalu kuat melawan arah pulang, narasi harus lebih hati-hati. Aturan seperti ini membuat FGI lebih manusiawi dan bertanggung jawab.

Selain aturan pakar, FGI dapat memakai machine learning. Data historis lingkungan dan data tangkapan terverifikasi dapat digunakan untuk melatih model. Tetapi machine learning harus sangat hati-hati. Data tangkapan biasanya bias oleh lokasi nelayan melaut, alat tangkap, cuaca, harga BBM, pengalaman, dan keputusan manusia. Jika bias ini tidak dibaca, model dapat belajar pola operasi kapal, bukan habitat ikan.

Karena itu, validasi FGI tidak boleh hanya melihat apakah peta tampak indah. Validasi perlu membandingkan FGI dengan laporan lapangan, hasil tangkapan, effort penangkapan, musim, jenis alat tangkap, dan kondisi keselamatan. Lebih baik mengatakan ‘model masih dalam validasi’ daripada memaksakan klaim bahwa FGI sudah pasti benar.

Dalam NELAYA-AI, FGI sebaiknya selalu disertai data confidence. Confidence menjawab pertanyaan: seberapa kuat data hari ini? Apakah SST tersedia? Apakah klorofil tertutup awan? Apakah arus model konsisten? Apakah gelombang terbaru? Apakah parameter saling mendukung? Apakah ada validasi lapangan? Jika confidence rendah, FGI tidak boleh disampaikan dengan bahasa terlalu tegas.

Data confidence juga membantu membedakan antara sinyal kuat dan sinyal lemah. Sinyal kuat terjadi ketika beberapa parameter mendukung arah yang sama: suhu cocok, klorofil masuk akal, front terlihat, arus mendukung, gelombang tidak berat, dan data berkualitas baik. Sinyal lemah terjadi ketika hanya satu parameter bagus, tetapi yang lain tidak tersedia, bertentangan, atau berisiko.

FGI juga perlu membedakan antara peluang ekologis dan peluang operasional. Peluang ekologis berarti laut tampak mendukung bagi ikan. Peluang operasional berarti nelayan dapat mempertimbangkan wilayah itu dengan aman dan masuk akal. Suatu wilayah bisa ekologis bagus tetapi operasional buruk karena gelombang tinggi atau jaraknya terlalu jauh. Dalam NELAYA-AI, keselamatan harus lebih tinggi daripada skor peluang.

Dalam konteks LAOT, FGI dapat ditulis sebagai bahasa literasi, bukan bahasa perintah. Misalnya: ‘hari ini sinyal peluang pelagis sedang lebih kuat di wilayah tertentu, tetapi confidence masih sedang karena klorofil tertutup awan sebagian’. Atau: ‘habitat tampak mendukung, namun gelombang dan angin perlu menjadi pagar kehati-hatian’. Bahasa seperti ini lebih aman daripada menulis ‘ikan ada di sini’.

FGI juga perlu dibaca bersama pengalaman nelayan. Nelayan memiliki data rasa: warna air, arah angin, burung, arus, musim, bulan, riwayat tangkapan, dan tanda-tanda kecil yang tidak selalu masuk dashboard. Mesin membaca data dengan algoritma. Nelayan membaca laut dengan pengalaman tubuh. Bertemunya hasil data laut yang dibaca mesin berdasarkan algoritma dengan data laut yang dibaca nelayan melalui rasa adalah jiwa NELAYA-AI.

Pertemuan itu tidak berarti mesin harus selalu menang. Jika FGI tinggi tetapi nelayan berpengalaman mengatakan arus lokal sedang tidak biasa, maka itu informasi penting. Jika FGI rendah tetapi nelayan menemukan pola lapangan yang konsisten, model harus belajar. FGI yang baik bukan yang merasa paling benar, tetapi yang membuka ruang validasi dan dialog.

FGI juga harus memahami jenis alat tangkap. Peluang untuk pancing ulur, purse seine, gillnet, rawai, bubu, atau alat tangkap lain tidak selalu sama. Ikan bisa berada di satu wilayah, tetapi belum tentu cocok untuk alat tangkap tertentu. Kedalaman, arus, cahaya, perilaku ikan, dan regulasi memengaruhi kelayakan operasi. Maka FGI umum perlu dijaga agar tidak terlalu spesifik jika datanya belum mendukung.

FGI harus menghormati regulasi. Jika suatu wilayah merupakan zona larang tangkap, kawasan konservasi, wilayah berbahaya, jalur pelayaran, atau wilayah yang memiliki aturan adat dan Panglima Laot, maka skor peluang tidak boleh dipakai untuk mendorong pelanggaran. Indeks peluang harus tunduk pada hukum, adat, keselamatan, dan keberlanjutan.

FGI juga harus memiliki dimensi keberlanjutan. Jika teknologi hanya membuat penangkapan semakin agresif tanpa kendali, maka manfaatnya bisa berubah menjadi masalah. NELAYA-AI harus menjaga agar FGI tidak menjadi alat eksploitasi buta. FGI seharusnya membantu efisiensi, mengurangi pencarian yang boros BBM, memperkuat literasi laut, dan mendukung perikanan yang lebih bertanggung jawab.

Dalam konteks nelayan kecil, FGI bisa membantu mengurangi biaya pencarian. Banyak nelayan menghabiskan waktu dan bahan bakar untuk mencari wilayah yang mungkin kosong. Jika data dapat membantu mempersempit wilayah perhatian, nelayan bisa lebih efisien. Namun efisiensi ini tetap harus dibaca sebagai bantuan, bukan janji. Laut tetap memiliki ketidakpastian.

FGI juga dapat membantu edukasi publik. Pembaca yang bukan nelayan dapat belajar bahwa ikan tidak muncul secara acak. Ada suhu, makanan, arus, kedalaman, dan musim yang membentuk peluang. Dengan memahami FGI, masyarakat tidak hanya melihat ikan sebagai komoditas, tetapi sebagai bagian dari ekosistem laut yang hidup.

Bagi anak-anak Indonesia, FGI dapat dijelaskan seperti membaca tanda-tanda rumah makan ikan. Apakah airnya nyaman? Apakah makanan kecil seperti plankton tersedia? Apakah arus membawa makanan? Apakah tempatnya terlalu dalam atau terlalu dangkal? Apakah ombaknya aman untuk manusia? Jika banyak tanda mendukung, wilayah itu mendapat skor lebih tinggi. Tetapi tetap saja ikan bisa bergerak ke tempat lain.

FGI juga dapat membantu pemerintah daerah memahami dinamika laut secara lebih praktis. Wilayah dengan peluang ekologis tertentu dapat dipantau dari waktu ke waktu. Musim produktif dapat dipelajari. Wilayah yang sering memiliki sinyal kuat dapat menjadi bahan diskusi pengelolaan perikanan. Tetapi untuk kebijakan, FGI harus dipadukan dengan data stok ikan, data sosial ekonomi, regulasi, dan verifikasi lapangan.

Dalam pengembangan teknis NELAYA-AI, FGI sebaiknya memiliki beberapa lapisan. Lapisan pertama adalah data dasar: SST, klorofil-a, arus, gelombang, angin, batimetri, SSH, dan parameter lain. Lapisan kedua adalah fitur oseanografi: front, eddy, upwelling, konvergensi, mixed layer, dan anomali. Lapisan ketiga adalah habitat suitability. Lapisan keempat adalah safety gate. Lapisan kelima adalah data confidence dan narasi publik.

Dengan lapisan seperti itu, NELAYA-AI tidak hanya menampilkan angka, tetapi juga alasan di balik angka. Jika FGI tinggi, pembaca perlu tahu mengapa: apakah karena suhu cocok, klorofil meningkat, front terbentuk, arus mengumpulkan massa air, atau gelombang lebih ringan. Jika FGI rendah, pembaca juga perlu tahu apakah karena data lemah, habitat kurang cocok, atau safety gate menahan narasi.

FGI yang baik harus explainable. Artinya, sistem dapat menjelaskan faktor pendukung dan faktor pembatas. Skor tanpa penjelasan mudah terlihat seperti sihir. Skor dengan penjelasan menjadi ilmu. NELAYA-AI sebaiknya selalu menampilkan narasi seperti: faktor pendukung, faktor pembatas, confidence, dan catatan keselamatan.

Explainability juga penting untuk membangun kepercayaan nelayan. Nelayan tidak harus menerima skor begitu saja. Mereka bisa bertanya: mengapa wilayah ini disebut lebih potensial? Jika jawabannya jelas, nelayan dapat membandingkan dengan pengalaman mereka. Jika jawabannya tidak jelas, sistem perlu diperbaiki. Kepercayaan lahir dari keterbukaan, bukan dari angka yang dipaksakan.

Dalam menulis FGI di LAOT, bahasa harus sederhana. Hindari kalimat yang terlalu teknis seperti ‘anomali geostrofik mesoscale menunjukkan agregasi biomassa’. Lebih baik: ‘ada tanda pertemuan massa air dan peningkatan produktivitas, sehingga peluang ekologis tampak lebih baik, namun data tetap perlu dibaca hati-hati’. Bahasa populer tidak berarti menghilangkan ilmu. Bahasa populer berarti ilmu dibuat dapat dipahami.

FGI juga harus peka terhadap hari dan budaya melaut. Di Aceh, ada hari dan keadaan tertentu ketika nelayan tidak melaut atau menahan diri sesuai adat, agama, cuaca, atau kesepakatan lokal. Sistem yang baik harus menghormati hal ini. Indeks laut tidak boleh berbicara seolah manusia hanya mengikuti peta. Laut juga hidup dalam budaya, doa, adat, dan keputusan bersama.

Secara ilmiah, FGI perlu terus diuji. Pertanyaan validasinya jelas: apakah wilayah FGI tinggi lebih sering berhubungan dengan hasil tangkapan yang lebih baik setelah memperhitungkan effort? Apakah FGI rendah benar-benar kurang produktif? Apakah model berbeda menurut musim? Apakah spesies tertentu merespons parameter yang berbeda? Apakah confidence sistem sesuai dengan kenyataan lapangan?

Validasi yang baik tidak hanya bertanya ‘dapat ikan atau tidak’. Ia harus bertanya berapa lama operasi, berapa BBM, alat tangkap apa, kedalaman berapa, jam berapa, musim apa, cuaca bagaimana, dan apakah nelayan memang menuju wilayah yang direkomendasikan. Tanpa data effort, hasil tangkapan sulit ditafsirkan. Banyak ikan tertangkap bisa karena effort besar, bukan semata habitat lebih baik.

FGI juga perlu menghindari satu kesalahan: menganggap semua ikan mengikuti klorofil secara langsung. Rantai makanan membutuhkan waktu. Fitoplankton dimakan zooplankton, lalu ikan kecil, lalu predator. Beberapa spesies merespons tepi produktivitas, bukan pusat klorofil tertinggi. Beberapa justru mencari batas antara air produktif dan air jernih. Karena itu, membaca klorofil harus ekologis, bukan mekanis.

Kesalahan lain adalah menganggap suhu paling cocok berarti lokasi terbaik. Dalam banyak kasus, ikan memilih kompromi antara suhu, makanan, oksigen, predator, arus, dan energi berenang. Suhu optimum hanya satu bagian dari niche ekologis. FGI harus membaca kombinasi, bukan satu angka.

Kesalahan berikutnya adalah mengabaikan bawah permukaan. Banyak ikan pelagis melakukan migrasi vertikal. Mereka tidak selalu berada di permukaan yang dilihat satelit. Termoklin, oksigen, suhu kedalaman, dan struktur arus bawah permukaan bisa sangat penting. Jika FGI hanya memakai data permukaan, narasinya harus jujur bahwa pembacaan masih terbatas pada sinyal permukaan.

FGI juga perlu menyadari bahwa laut berubah cepat. Peta pagi tidak selalu sama dengan kondisi sore. Awan, angin, pasang surut, arus, dan gelombang dapat berubah. Karena itu, update data, timestamp, dan recency harus jelas. Informasi yang terlambat dapat menurunkan confidence.

Dalam sistem harian, FGI dapat dibaca dengan tiga pertanyaan sederhana. Pertama, apakah habitat tampak mendukung? Kedua, apakah kondisi laut memungkinkan secara keselamatan? Ketiga, apakah data cukup kuat untuk dinarasikan? Jika jawaban pertama ya tetapi kedua tidak, maka keselamatan menahan. Jika jawaban pertama dan kedua ya tetapi ketiga lemah, narasi harus hati-hati. Jika ketiganya mendukung, barulah FGI dapat disampaikan lebih kuat.

Untuk NELAYA-AI, FGI juga bukan hanya produk teknis, tetapi wajah etika platform. Kalau FGI ditulis terlalu berani, publik bisa salah paham. Kalau terlalu takut, manfaatnya hilang. Yang dibutuhkan adalah keseimbangan: berani membaca tanda, tetapi rendah hati menyebut batas. Inilah gaya NELAYA-AI dan LAOT yang perlu dijaga.

FGI dapat menjadi bahasa baru literasi laut Aceh. Ia mengajarkan bahwa laut bisa dibaca dengan data, tetapi tidak boleh dipaksa. Ia mengajarkan bahwa nelayan bisa dibantu teknologi, tetapi tidak boleh digantikan. Ia mengajarkan bahwa peluang ikan bisa diperkirakan, tetapi keselamatan dan keberlanjutan tetap lebih tinggi.

Bagi NELAYA-AI, cita-cita FGI bukan menjadikan manusia merasa menguasai laut. Cita-citanya adalah membantu manusia datang ke laut dengan persiapan yang lebih baik, biaya yang lebih efisien, waktu yang lebih hemat, risiko yang lebih rendah, dan pengetahuan yang lebih kuat. Jika itu dilakukan dengan adab ilmiah, FGI dapat menjadi bagian kecil dari amal ilmu yang bermanfaat.

Pada akhirnya, Fish Ground Index adalah cara membaca laut sebagai ruang peluang. Ia berdiri di antara sains dan kehidupan nelayan. Di satu sisi ada satelit, model, algoritma, arus, klorofil, suhu, eddy, front, dan data confidence. Di sisi lain ada perahu, jaring, doa, pengalaman, adat, keselamatan, dan keluarga yang menunggu pulang. FGI yang benar harus menghormati keduanya.

NELAYA-AI ingin menulis FGI dengan semangat itu: ilmiah, sederhana, tidak halu, tidak menjanjikan berlebihan, dan selalu mengingatkan bahwa laut tidak pernah berjanji namun kita datang untuk memahaminya. Jika FGI membuat orang lebih mengenal laut, lebih hemat dalam mencari, lebih hati-hati dalam melaut, dan lebih mencintai ekosistemnya, maka indeks ini telah berjalan di arah yang benar.