Studi dan Pemodelan Automatic Ship Evasive Route Selection berbasis Machine Learning

Riambudi, Rilo Adi (2023) Studi dan Pemodelan Automatic Ship Evasive Route Selection berbasis Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 04111940000006-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Kemajuan serta kemudahan teknologi memberikan dampak yang besar terhadap pengolahan sumber daya sehingga menjadikan setiap prosesnya jauh lebih efektif dan efisien dari sebelumnya, termasuk dalam bidang maritim. Salah satu teknik yang menjadi populer adalah Artificial Intelligence (AI) dan Machine Learning (ML). Tingkat kecelakaan kapal yang tinggi erat kaitannya dengan kelalaian manusia dalam menanggulangi adanya ancaman tabrakan kapal. Menurut statistik, lebih dari 80% tabrakan disebabkan oleh perilaku pengoperasian yang berbahaya. Oleh karenanya, petugas jaga di kapal berperan penting dalam penghindaran tabrakan. Penelitian ini bertujuan untuk mengembangkan sebuah sistem penghindaran tabrakan yang berfokus untuk memberikan pilihan rute penghindaran yang aman dan efisien saat terjadinya ancaman sehingga dapat membantu petugas jaga di kapal dalam pengambilan keputusan. Metode yang digunakan dalam penelitian ini adalah pemilihan rute penghindaran kapal menggunakan model machine learning dengan jenis reinforcement learning menggunakan algoritma Q-Learning. Model machine learning diberikan kebijakan penerimaan reward berdasarkan tindakan-tindakan yang harus diambil dan dijadikan panduan model dalam memilih rute penghindaran. Apabila model dapat memberikan pilihan rute penghindaran yang aman dan efektif, semakin besar nilai reward yang diterima. Kemudian model dilatih 1000 kali sehingga dapat memberikan rute penghindaran yang optimal. Hasil dari pelatihan model menunjukkan bahwa model yang telah dilatih dapat menghasilkan reward yang konvergen. Selanjutnya dilakukan evaluasi performa model machine learning dengan melakukan simulasi terhadap tiga situasi pertemuan yaitu head-on, crossing, dan overtake. Hasil dari simulasi menunjukkan bahwa saat terjadi ancaman tabrakan nilai dari sudut kemudi dan kecepatan kapal berfluktuatif yang menandakan kapal sedang melakukan penghindaran terhadap target ship dan nilai collision risk cenderung menurun hingga mencapai nilai nol secara konstan. Hasil simulasi menunjukkan bahwa model berhasil melakukan penghindaran yang aman dalam 6 kali percobaan simulasi. Dari keenam simulasi tersebut, model dapat melakukan penghindaran sesuai dengan aturan yang berlaku dalam 3 situasi, namun tidak dapat melakukannya dalam 3 situasi lainnya. Dengan demikian, dapat dibuktikan bahwa model machine learning mempunyai kemampuan yang baik dan efisien untuk melakukan penghindaran tabrakan antara dua kapal dan sistem pemilihan rute penghindaran otomatis ini memiliki potensi untuk membantu petugas jaga di kapal dalam menghindari terjadinya tabrakan kapal.
===============================================================================================================================
The advancement and convenience of technology have significantly impacted resource processing, making every process much more effective and efficient, including in the maritime domain. Artificial Intelligence (AI) and Machine Learning (ML) have become popular techniques in this regard. The high rate of ship accidents is closely related to human negligence in handling collision threats. Statistics show that over 80% of collisions are caused by hazardous operational behaviors. Therefore, ship officers play a crucial role in collision avoidance. This research aims to develop a collision avoidance system that provides safe and efficient avoidance route options during threat situations, assisting ship officers in decision-making. The method employed in this study involves ship route selection using a machine learning model with reinforcement learning, specifically employing the Q-Learning algorithm. The machine learning model is guided by a reward policy based on the actions to be taken for route selection. Higher reward values are obtained when the model successfully provides safe and effective avoidance routes. The model is trained 1000 times to achieve optimal avoidance routes. The model training results demonstrate that the trained model produces converging rewards. The machine learning model's performance is evaluated through simulations of three encounter situations: head-on, crossing, and overtake. The simulation results demonstrate that the model successfully performed collision avoidance in 6 simulation trials. Out of these six simulations, the model effectively executed collision avoidance based on the applicable rules in 3 scenarios, while it failed to do so in the remaining 3 scenarios. Thus, it can be proven that the machine learning model possesses good and efficient capabilities for collision avoidance between two ships, and this automated route selection system holds the potential to assist ship officers in avoiding ship collisions

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penghindaran tabrakan kapal, ship evasive route selection, reinforcement learning, Q-learning, ship collison avoidance, ship evasive route selection, reinforcement learning, Q-learning.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM156 Naval architecture
Divisions:	Faculty of Marine Technology (MARTECH) > Naval Architecture and Shipbuilding Engineering > 36201-(S1) Undergraduate Thesis
Depositing User:	Rilo Adi Riambudi
Date Deposited:	14 Aug 2023 07:34
Last Modified:	14 Aug 2023 07:34
URI:	http://repository.its.ac.id/id/eprint/103536

Actions (login required)

View Item