Desain Trajektori Kapal Patrol Menggunakan Deep Reinforcement Learning dalam Operasi Pengejaran Kapal dengan Losses Data AIS

Rahmania, Amanda Caesa (2024) Desain Trajektori Kapal Patrol Menggunakan Deep Reinforcement Learning dalam Operasi Pengejaran Kapal dengan Losses Data AIS. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5009201122-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Indonesia, sebagai negara kepulauan terbesar, menghadapi tantangan dalam menjaga keamanan maritimnya yang luas. Kehilangan data AIS (Automatic Identification System) pada kapal, seperti yang terjadi di Selat Malaka dan Laut Natuna Utara, mengindikasikan adanya aktivitas ilegal di perairan Indonesia. Penelitian ini bertujuan merancang rute patroli kapal yang optimal menggunakan deep reinforcement learning untuk mengatasi masalah kehilangan data AIS dengan mempertimbangkan faktor lingkungan kapal. Data kapal yang diteliti berada di Selat Malaka terutama Pulau Bengkalis, dengan spesifikasi kapal patrol yaitu KN Ular Laut 406. Penelitian ini dimulai dengan mendeteksi kapal yang mengalami kehilangan data selama lebih dari 1 jam, kemudian dilajutkan dengan deteksi tindakan illegal, setelah mendapatkan data kapal yang mengalami losses data kemudian dilakukan pembuatan trajektori dengan diakhiri dengan pembuatan trajektori dengan berbagai variasi. Hasil dari model yang telah dibuat didapatkan metrik performansi MAE untuk subsistem identifikasi losses data sebesar 0.01312 dan untuk subsistem selektor sebesar 0.12. Pada Deep Reinforcement Learning didapatkan grafik loss dibandingkan dengan 8000episode menunjukkan tren turun dan grafik reward dibandingkan dengan 8000episode menunjukkan tren naik. RMSE juga digunakan untuk perhitungan error dari model visualisasi trajektori dengan nilai terkecil yaitu 0.8104575756222229. Kesimpulan dari penelitian ini antara lain, metode DRL dapat dijadikan sebagai metode dalam pembuatan trajektori kapal patrol, dan model yang digunakan memunculkan grafik loss function dengan tren naik dan reward dengan tren turun maka dapat dikatakan bahwa model bagus.
============================================================================================================================================
Indonesia, as the largest archipelagic country, faces challenges in maintaining the security of its vast maritime territory. The loss of AIS (Automatic Identification System) data on ships, as observed in the Malacca Strait and the North Natuna Sea, indicates illegal activities in Indonesian waters. This research aims to design an optimal patrol route for ships using deep reinforcement learning to address the problem of AIS data loss and accelerate the capture of illegal vessels by considering the ship's environmental factors. The studied ship data is from the Malacca Strait, particularly around Bengkalis Island, with the patrol vessel specifications being KN Ular Laut 406. The research begins by detecting ships that have experienced data loss for more than 1 hour, followed by the detection of illegal activities. After obtaining data on ships experiencing data loss, trajectory planning is carried out, concluding with the creation of various trajectory variations. The performance metrics of the developed model showed a Mean Absolute Error (MAE) of 0.04 for the data loss identification subsystem and 0.12 for the selector subsystem. In the Deep Reinforcement Learning model, the loss graph over 8000 episodes showed a downward trend, and the reward graph over 8000 episodes showed an upward trend, indicating that the deep reinforcement learning model developed is effective. RMSE was also used to calculate the error of the trajectory visualization model, with the smallest value being 0.8104575756222229.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	AIS, Deep Reinforcement Learning, Lintasan, Losses Data, Kapal Patrol, AIS, Deep Reinforcement Learning, Trajectory, Losses Data, Vessel Patrol
Subjects:	Q Science T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models. T Technology > TA Engineering (General). Civil engineering (General) > TA167.5 Neurotechnology. Neuroadaptive systems V Naval Science > V Naval Science (General)
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User:	Amanda Caesa Rahmania
Date Deposited:	02 Aug 2024 03:22
Last Modified:	02 Aug 2024 03:22
URI:	http://repository.its.ac.id/id/eprint/109525

Actions (login required)

View Item