19 Bab III Metode Penelitian Pendekatan yang akan digunakan pada penelitian ini untuk dapat menjawab permasalahan diatas adalah dengan membatasi ruang lingkup dari penelitian ini : 1. Menggunakan Kamera sebagai sensor vision 2. Karena keterbatasan volume ruang yang tersedia sehingga mengakibatkan keterbatasan sistem catu daya yang dapat digunakan maka untuk melakukan prosesing data dan citra digunakan SBC atau Komputer Papan Tunggal. 3. Mencari model jaringan pendeteksian objek yang effisien dan dapat berjalan pada perangkat komputer papan tunggal Metode dan pendekatan dalam menyelesaikan permasalahan diatas dilakukan dengan tahapan sebagai berikut : 1. Pengumpulan Data dan Anotasi 2. Pembuatan Kumpulan Data: Mengumpulkan dan memberi anotasi pada gambar dan video lingkungan maritim. Hal ini termasuk memberi label pada berbagai jenis benda (misalnya kapal, pelampung, puing-puing) dan kondisi lingkungan. 3. Data Sintetis: Menggunakan alat simulasi untuk menghasilkan data sintetis yang dapat membantu menambah kumpulan data dunia nyata. 4. Pemilihan Model dan Desain Arsitektur Model CNN a. Convolutional Neural Networks (CNNs): Menggunakan arsitektur berbasis CNN seperti U-Net, SegNet, dan FCN (Fully Convolutional Networks) yang populer untuk tugas segmentasi. b. Struktur Enkode-Dekode: Menerapkan struktur enkode-dekode untuk menangkap fitur resolusi tinggi yang diperlukan untuk segmentasi yang tepat. c. Peningkatan Fitur: Menggabungkan jaringan piramida fitur (FPN) dan mekanisme perhatian untuk meningkatkan segmentasi objek kecil dan jauh. 20 5. Pelatihan dan Optimasi a. Pembelajaran Transfer: Memanfaatkan model yang telah dilatih sebelumnya (misalnya, di ImageNet) dan menyempurnakannya pada kumpulan data khusus maritim. b. Augmentasi Data: Menerapkan transformasi seperti rotasi, penskalaan, dan penyesuaian warna untuk membuat kumpulan data pelatihan yang lebih kuat. c. Fungsi Kerugian(loss function): Merancang fungsi kerugian yang menangani ketidakseimbangan kelas dan menekankan akurasi batas untuk segmentasi. 6. Evaluasi dan Pengujian a. Metrik Kinerja: Mengevaluasi model menggunakan metrik seperti Intersection over Union (IoU), koefisien Dice, presisi, recall, dan skor F1. III.1 Konsep Deteksi Kapal Pada TEWS Bagian ini menjelaskan prinsip kerja komunikasi data akustik antara unit dasar laut dan pelampung permukaan TEWS, serta permasalahan yang timbul akibat keberadaan kapal di sekitarnya. Proses pengembangkan model jaringan baru, memerlukan kumpulan data latih baru yang sangat khusus sesuai dengan kondisi laut terbuka, proses pengumpulan data latih baru yang akan digunakan dan bagaimana data tersebut diperoleh dijelaskan pada Bab ini. Kemudian secara singkat arsitektur WaSR-T asli untuk segmentasi citra ditinjau dalam Bab ini. Dengan mengikuti pola yang digunakan pada WaSR-T disini juga dijelaskan penyajikan model MobileNetV3 dan properti utamanya serta bagaimana menggabungkannya untuk membangun model segmentasi citra jaringan WaSR-T Ringan. Sistem TEWS berbasis komunikasi akustik pada umumnya terdiri dari dua bagian utama: unit dasar laut atau Ocean Bottom Unit OBU dan pelampung permukaan atau Surface Buoy (Gambar III.1). Unit dasar laut dilengkapi dengan sebuah 21 Computer Processing Unit CPU yang didalamnya sudah ditanam aplikasi deteksi tsunami, Aplikasi ini berfungsi melakukan data akusisi dari sensor tekanan air laut dan menggunakan input data sensor ini untuk menghitung terjadinya gelombang tsunami. Algoritma deteksi tsunami bekerja berdasarkan prinsip menghitung perbedaan perubahan tinggi muka air laut aktual dengan data sebelumnya secara berturut-turut, jika terjadi perubahan tinggi muka air laut sebesar 3 cm secara berturut-turut maka dapat dipastikan terjadi gelombang tsunami. Aplikasi ini juga mengatur pola pengiriman data hasil pengukuran sensor tekanan air ke pelampung permukaan menggunakan modem komunikasi akustik yang terdapat pada unit dasar laut (Gambar III.1). Pada mode normal pola pengiriman data dari unit dasar laut ke pelampung permukaan dilakukan setiap 1 jam sekali, jika terdeteksi ada gelombang tsunami maka Aplikasi ini merubah pola operasi dari mode normal ke mode tsunami dimana data hasil pengukuran dikirimkan ke pelampung permukaan setiap 1 menit selama 3 jam. Unit dasar laut dan pelampung permukaan bertukar informasi secara akustik menggunakan modem komunikasi akustik. Komunikasi akustik ini sangat rentan terhadap gangguan kebisingan, kebisingan ini meliputi kebisingan lingkungan seperti gelombang, angin, dan kebisingan baling-baling kapal. Dalam beberapa kasus, penggunaan pelampung permukaan sebagai tempat kapal menambat menimbulkan masalah pada komunikasi akustik akibat pergeseran posisi sistem pelampung sehingga jarak horizontal antara transduser akustik unit dasar laut dan pelampung permukaan menjadi besar. Hal ini juga dapat berdampak pada saluran komunikasi antara unit dasar laut dan pelampung permukaan (Lauterjung dkk., 2010). Kualitas pertukaran data menggunakan komunikasi tautan akustik bergantung pada rentang jarak antara unit dasar laut dan pelampung permukaan serta interferensi akibat gelombang akustik yang tidak diinginkan. Kapal tanpa izin yang mendekati area pemasangan TEWS menjadi sumber gangguan karena banyaknya kebisingan yang ditimbulkan oleh baling-baling sehingga dapat meredam suara dari unit dasar 22 laut. Perahu atau benda lain yang mendekati area pemasangan harus diperingatkan untuk segera berangkat dan memberitahukan kantor pusat data mengenai gangguan yang diakibatkannya. Sistem visi komputer yang cerdas adalah salah satu solusi yang dapat dipasang pada permukaan tertinggi (lihat Gambar III.1). Gambar III.1 Konfigurasi Tsunami Early Warning System (TEWS) Jaringan CNN terkini sebagai bagian sentral dari sistem visi komputer cerdas harus dikembangkan berdasarkan konsep segmentasi semantik (Shafiq dkk, 2022), (Chen dkk., 2018) dan (Soylu dkk., 2023). Segmentasi semantik digunakan untuk mengklasifikasikan dan memberi label setiap piksel pada gambar yang direkam sebagai perahu tidak sah dengan latar belakang permukaan air atau area antarmuka antara laut dan langit. Jaringan CNN terkini ini dirancang untuk mendeteksi perahu tidak sah yang statis dan dinamis dengan berbagai bentuk dan ukuran, termasuk yang tidak terlihat selama pelatihan. Selain itu, jaringan CNN harus mampu beradaptasi terhadap fitur perairan yang menantang dan dinamis agar TEWS dapat beroperasi dengan baik. Karena lingkungan dan kondisi, visi komputer cerdas dan jaringan CNN harus berfungsi untuk TEWS yang terbatas kapasitas catudaya nya karena keterbatasan ruang yang tersedia. Oleh karena itu, diperlukan jaringan ringan yang dapat dijalankan dengan ukuran memori terbatas dan perangkat komputasi dengan komponen arsitektur kecil.