KLASIFIKASI OBJEK KAPAL BERBASIS DEEP LEARNING UNTUK MARITIME SURVEILLANCE

Abstract

This study aims to develop a Convolutional Neural Network (CNN) model for ship type classification with high accuracy. The developed model achieved 92% accuracy, 91% precision, 93% recall, and 92% F1-Score, which shows the effectiveness of the model in identifying cargo, passenger, and fishing vessels. These results support the research hypothesis (H1), which states that CNN is able to classify ship types with an accuracy of more than 85%. This success was achieved through a systematic approach in data collection and processing. Images collected from Soekarno-Hatta Port and Samalona Island with varying angles and lighting provided diverse data that was important for model training. Data filtering and labeling using the Roboflow platform ensured optimal image quality. Model training used the TensorFlow framework with a batch size of 32 and 50 epochs, resulting in fast convergence and good generalization capabilities. Further evaluation showed that this model was able to minimize classification errors with balanced precision and recall. The main challenge includes the variation of external conditions, but the data augmentation technique successfully overcomes this problem and improves the robustness of the model. This study makes a significant contribution to the development of machine learning-based ship classification technology for maritime surveillance applications. Recommendations for further research include collecting larger datasets and exploring other image processing methods to improve model accuracy under more difficult shooting conditions. Overall, this study shows the great potential of using CNN for maritime surveillance efficiency.

ABSTRAK
Penelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) untuk klasifikasi jenis kapal dengan akurasi yang tinggi. Model yang dikembangkan mencapai akurasi 92%, presisi 91%, recall 93%, dan F1-Score 92%, yang menunjukkan efektivitas model dalam mengidentifikasi kapal kargo, penumpang, dan nelayan. Hasil ini mendukung hipotesis penelitian (H1), yang menyatakan bahwa CNN mampu mengklasifikasikan jenis kapal dengan akurasi lebih dari 85%. Keberhasilan ini dicapai melalui pendekatan sistematis dalam pengumpulan dan pemrosesan data. Gambar-gambar yang dikumpulkan dari Pelabuhan Soekarno-Hatta dan Pulau Samalona dengan variasi sudut dan pencahayaan memberikan data beragam yang penting untuk pelatihan model. Penyaringan dan pelabelan data menggunakan platform Roboflow memastikan kualitas gambar yang optimal. Pelatihan model menggunakan framework TensorFlow dengan batch size 32 dan epochs 50, menghasilkan konvergensi yang cepat dan kemampuan generalisasi yang baik. Evaluasi lebih lanjut menunjukkan bahwa model ini mampu meminimalkan kesalahan klasifikasi dengan presisi dan recall yang seimbang. Tantangan utama termasuk variasi kondisi eksternal, namun teknik augmentasi data berhasil mengatasi masalah ini dan meningkatkan ketahanan model. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi klasifikasi kapal berbasis machine learning untuk aplikasi pengawasan maritim. Rekomendasi untuk penelitian lanjutan termasuk pengumpulan dataset lebih besar dan eksplorasi metode pengolahan citra lainnya untuk meningkatkan akurasi model pada kondisi pengambilan gambar yang lebih sulit. Secara keseluruhan, penelitian ini menunjukkan potensi besar penggunaan CNN untuk efisiensi pengawasan maritim.