PENGEMBANGAN METODE PELACAKAN DAN DETEKSI ANOMALI KAPAL BERBASIS CLUSTERING DAN FUSI DATA YANG EFISIEN DALAM SISTEM MULTI-SENSOR DENGAN PEMROSESAN DATA BERVOLUME BESAR DISERTASI Karya tulis sebagai salah satu syarat untuk memperoleh gelar Doktor dari Institut Teknologi Bandung Oleh ADIYASA NURFALAH NIM: 33221004 (Program Studi Doktor Teknik Elektro dan Informatika) INSTITUT TEKNOLOGI BANDUNG April 2025 2 ABSTRAK PENGEMBANGAN METODE PELACAKAN TARGET DAN DETEKSI ANOMALI MARITIM BERBASIS CLUSTERING DAN FUSI DATA YANG EFISIEN DALAM SISTEM MULTI- SENSOR DENGAN PEMROSESAN DATA BERVOLUME BESAR Oleh Adiyasa Nurfalah NIM: 33221004 (Program Studi Doktor Teknik Elektro dan Informatika) Penelitian ini berfokus pada pengembangan metode pelacakan dan deteksi anomali kapal dalam sistem multi-sensor untuk meningkatkan command and control serta situational awareness dalam operasi maritim. Dengan meningkatnya volume dan kompleksitas data yang dihasilkan oleh sensor seperti radar, AIS, dan TDL, tantangan utama adalah memproses data secara efisien dan efektif untuk mendukung pengambilan keputusan yang cepat dan akurat. Penelitian ini mengusulkan tiga komponen utama untuk mendukung situational awareness dalam operasi maritim. Pertama, pengembangan metode ECMAT untuk pelacakan data radar maritim, yang memanfaatkan filter ketetanggaan grid untuk meningkatkan efisiensi waktu pelacakan. Metode ini terbukti lebih efisien dibandingkan dengan metode lain seperti PHD dan DBSCAN+GNN, dengan waktu pelacakan hanya 6 detik untuk 10.000 data, sementara PHD dan DBSCAN+GNN memerlukan waktu yang jauh lebih lama, yakni masing-masing 2.312 detik dan 729 detik. Dalam hal akurasi, ECMAT mencatatkan nilai GOSPA terbaik dalam tiga skenario uji, termasuk pertemuan dua target di laut, pergerakan target bermanuver, dan dua target berlayar bersilangan. Kedua, penelitian ini mengusulkan penerapan metode FCTAF untuk meningkatkan efektivitas clustering dan efisiensi waktu asosiasi data sensor. Algoritma FCTAF dapat memproses 4.000 data per sensor dalam waktu 1 detik, lebih cepat daripada DBSCAN yang hanya berhasil memproses 100 data dengan waktu yang tidak masuk akal. Pendekatan berbasis centroid dan mekanisme change-member dalam FCTAF memungkinkan penanganan lebih baik terhadap target berdekatan yang dideteksi oleh sensor yang sama, mengatasi kelemahan DBSCAN yang tidak dapat mengontrol perkembangan cluster dengan baik. Ketiga, penelitian ini mengembangkan metode deteksi anomali AIS untuk mendeteksi berbagai jenis anomali, seperti anomali status navigasi, no-pairs, dan update rate, dengan menggunakan aturan IMO dan fusi data sensor. Sistem ini berhasil mendeteksi anomali pada skenario penyalahgunaan data AIS di dunia nyata, seperti spoofing, rendezvous, duplikasi MMSI, dan AIS switch on/off. Kata kunci: AIS anomaly detection, ECMAT, FCTAF, maritime target tracking, multi-sensor system, situational awareness. 3 ABSTRACT DEVELOPMENT OF AN EFFICIENT SHIP TRACKING AND ANOMALY DETECTION METHOD BASED ON CLUSTERING AND DATA FUSION IN A MULTI-SENSOR SYSTEM WITH LARGE-SCALE DATA PROCESSING By Adiyasa Nurfalah NIM: 33221004 (Doctoral Program in Electro Engineering and Informatics) This research focuses on the development of ship tracking and anomaly detection methods in maritime systems using multi-sensor data to enhance command and control as well as situational awareness in maritime operations. With the increasing volume and complexity of data generated by sensors such as radar, AIS, and TDL, the main challenge is to process the data efficiently and effectively to support quick and accurate decision-making. This research proposes three main components to support situational awareness in maritime operations. First, the development of the ECMAT method for maritime radar data tracking, which utilizes a grid neighbor filter to improve tracking time efficiency. This method has been proven to be more efficient compared to other methods such as PHD and DBSCAN+GNN, with tracking time of only 6 seconds for 10,000 data points, while PHD and DBSCAN+GNN require much longer times, specifically 2,312 seconds and 729 seconds, respectively. In terms of accuracy, ECMAT achieved the best GOSPA value in three test scenarios, including the meeting of two targets at sea, target maneuvering, and two targets sailing in parallel. Second, this research proposes the application of the FCTAF method to enhance the effectiveness of clustering and sensor data association time efficiency. The FCTAF algorithm can process 4,000 data per sensor in 1 second, which is faster than DBSCAN, which only managed to process 100 data points with an unreasonable time.