Studi dan Pemodelan Automatic Ship Detection System Berbasis Machine Learning

Natasha, Jemima Audrey (2023) Studi dan Pemodelan Automatic Ship Detection System Berbasis Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 04111940000046_Undergraduate Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Saat ini, teknologi yang tersedia masih bergantung pada kemampuan manusia, padahal kesalahan manusia berkontribusi pada insiden tabrakan kapal. Kendati petugas jaga memiliki kemampuan, seringkali mereka kurang memiliki kesadaran situasional yang memadai terhadap lingkungan sekitar. Oleh karena itu, tugas akhir ini bertujuan untuk membuat sebuah sistem deteksi kapal otomatis sebagai langkah awal dalam usaha untuk menghindari tabrakan kapal. Studi terkait penghindaran tabrakan kapal, sistem deteksi objek, kesadaran situasional, machine learning, dan deep learning dilakukan untuk mengembangkan sebuah sistem deteksi kapal otomatis guna meningkatkan kesadaran situasional petugas jaga di kapal untuk mengurangi risiko terjadinya tabrakan kapal. Dalam penelitian ini, algoritma YOLOv8 digunakan untuk merancang sistem deteksi kapal otomatis. Data yang digunakan adalah gambar kapal yang dianggap merepresentasikan kamera di kapal itu sendiri, dan untuk mengumpulkan data yang relevan, Google Images dimanfaatkan. Data masukan terdiri dari empat klasifikasi kapal, yaitu cargo, carrier, cruise, dan tankers. Setelah data dikumpulkan, dilakukan pembersihan dan pembagian menjadi data pelatihan dan data validasi. Selanjutnya, semua gambar dilabel secara manual menggunakan makesense.ai. Data tersebut kemudian dilatih menggunakan algoritma YOLOv8. Model terbaik dari YOLOv8 dihasilkan setelah melalui 119 iterasi pelatihan data, dengan mencapai precision sebesar 93,4%, recall sebesar 92,5%, mAP50 sebesar 96,4%, dan mAP50-95 sebesar 89,7%. Model tersebut diimplementasikan melalui command line interface dan diuji pada data pengujian berupa video kapal yang sedang berlayar dan termasuk dalam kelas yang telah ditentukan. Hasil pengujian menunjukkan bahwa metrik evaluasi precision, recall, dan F1 (rata-rata dari precision dan recall) untuk setiap kelas kapal melampaui metrik evaluasi model yang didapatkan dari proses pelatihan data. Dengan demikian, sistem deteksi kapal otomatis ini berhasil mendeteksi dan mengklasifikasikan kapal berdasarkan kelas yang ditentukan untuk sistem ini.
===============================================================================================================================
The available technology still relies on human capabilities, even though human errors contribute to ship collision incidents. Despite the skills of officers on watch, they often lack adequate situational awareness of their surroundings. Therefore, this final project aims to create an automatic ship detection system as a preliminary step towards avoiding ship collisions. Studies related to collision avoidance, object detection systems, situational awareness, machine learning, and deep learning have been conducted to develop an automated ship detection system to enhance the situational awareness of officers on watch and reduce the risk of ship collisions. In this research, the YOLOv8 algorithm is employed to design the automatic ship detection system. The data consists of ship images representing the ship's onboard cameras, and relevant data is collected using Google Images. The input data comprises four ship classifications: cargo, carrier, cruise, and tankers. After data collection is cleaned and divided into training and validation sets. Subsequently, all images are manually labeled using makesense.ai. The data is then trained using the YOLOv8 algorithm. The best model from YOLOv8 is achieved after 119 iterations of data training, with a precision of 93.4%, recall of 92.5%, mAP50 (mean average precision at IoU 0.50) of 96.4%, and mAP50-95 of 89.7%. The model is implemented through a command-line interface and tested on test data consisting of videos of sailing ships belonging to the predetermined classes. The test results show that precision, recall, and F1-score (the average precision and recall) for each ship class exceed the evaluation metrics obtained from the data training process. Thus, this automated ship detection system successfully detects and classifies ships based on the predetermined classes for this system.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	kesadaran situasional, penghindaran tabrakan kapal, object detection, YOLOv8, situational awareness, ship collision avoidance, object detection
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering
Divisions:	Faculty of Marine Technology (MARTECH) > Naval Architecture and Shipbuilding Engineering > 36201-(S1) Undergraduate Thesis
Depositing User:	Jemima Audrey Natasha
Date Deposited:	14 Aug 2023 07:28
Last Modified:	14 Aug 2023 07:28
URI:	http://repository.its.ac.id/id/eprint/102898

Actions (login required)

View Item