Deteksi Kapal Pada Data SAR Sentinel-1 Menggunakan Deep Learning Algoritma YOLOv4 (Studi Kasus : Pelabuhan Tanjung Perak Surabaya)

Qolbi, Safira Naurin (2024) Deteksi Kapal Pada Data SAR Sentinel-1 Menggunakan Deep Learning Algoritma YOLOv4 (Studi Kasus : Pelabuhan Tanjung Perak Surabaya). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5016201054-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Indonesia merupakan negara maritim, dimana 80% berupa perairan yang menjadikan Indonesia sebagai jalur perdagangan yang dapat membantu dalam perkembangan ekonomi. Oleh karena itu perlu untuk meningkatkan keselamatan pelayaran kapal, salah satu caranya adalah dengan deteksi kapal untuk pemantauan kapal. Kemudian seiring berkembangnya teknologi, penginderaan jauh dapat dimanfaatkan dalam bidang kemaritiman. Penginderaan Jauh merupakan seni dan ilmu untuk mendapatkan informasi mengenai objek menggunakan alat dari jarak jauh seperti satelit. Salah satu pemanfaatan penginderaan jauh dalam bidang kemaritiman adalah penggunaan data SAR Sentinel-1 untuk deteksi kapal. Dengan memanfaatkan Artificial Intelligence (AI) untuk pengolahan dalam penginderaan Jauh, maka dapat membantu dalam memecahkan masalah terkait pengenalan pola seperti algoritma YOLO. YOLO merupakan one stage object detection sehingga dapat mendeteksi objek dengan cepat serta memiliki ukuran model yang kecil. Oleh karena itu penelitian ini berfokus pada deteksi kapal menggunakan deep learning algoritma YOLOv4 menggunakan dataset citra Sentinel-1, Official-SAR Ship Detection Dataset (Official-SSDD), serta kombinasi dataset citra Sentinel-1 dan Official-SSDD yang kemudian dievaluasi dan divalidasi dengan data AIS (Automatic Identification System). Penelitian ini menghasilkan model deteksi kapal paling optimal menggunakan YOLOv4. Setelah dilakukan pengolahan didapatkan bahwa model deteksi kapal dengan dataset citra Sentinel-1 memiliki hasil deteksi dan performa paling optimal dimana ditunjukkan dengan F1-Score paling tinggi sebesar 0,34 dan juga dihasilkan nilai mAP (Mean Average Precision) tertinggi sebesar 25,70%. Sehingga menunjukkan bahwa data untuk proses training dan testing yang sama dengan data validasi dapat mendeteksi kapal lebih baik, namun jumlah data yang sedikit juga dapat mempengaruhi hasil dari deteksi kapal. Selain itu didapatkan bahwa model deteksi kapal dapat dengan baik mendeteksi kapal berjenis kapal kargo dan kapal tanker karena memiliki ukuran yang relatif besar jika dibandingkan dengan jenis kapal lainnya, seperti kapal tug dan kapal penumpang.
====================================================================================================================================
Indonesia is a maritime country, where 80% of the country's territory is water which makes Indonesia became a trade route that can help in economic development. Therefore, it is necessary to improve the safety of ship navigation, such as with ship detection for ship monitoring. Then as technology develops, remote sensing can be utilised in the maritime field. Remote sensing is the art and science of obtaining information about objects using remote devices such as satellites. For example, remote sensing can be used in the maritime sector using Sentinel-1 SAR data for ship detection. By utilizing Artificial Intelligence (AI) for processing in remote sensing, it can help in solving problems related to pattern recognition from a collection of images such as the YOLO algorithm. YOLO is a one stage object detection that can detect objects quickly and has a small model size. Therefore, this research focuses on ship detection using deep learning algorithm YOLOv4 with Sentinel-1 image dataset, Official-SAR Ship Detection Dataset (Official-SSDD), and a combination of Sentinel-1 and Official-SSDD image datasets which evaluated and validated with AIS (Automatic Identification System) data. The results of this study found that the ship detection model with Sentinel-1 image dataset has the most optimal detection results and performance, which is indicated by the highest F1-Score of 0.34 and also the highest mAP (Mean Average Precision) value of 25.70%. It shows that data for the same training and testing process as validation data can detect ships better, but a small amount of data can also affect the results of ship detection. In addition, it is found that the ship detection model can well detect cargo ships and tankers because they have a relatively large size when compared to other types of ships, such as tugboats and passenger ships.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kapal, Penginderaan Jauh, YOLOv4, Remote Sensing, Ship
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Safira Naurin Qolbi
Date Deposited:	25 Jul 2024 04:35
Last Modified:	25 Jul 2024 04:35
URI:	http://repository.its.ac.id/id/eprint/108746

Actions (login required)

View Item