digilib@itb.ac.id +62 812 2508 8800

PENGEMBANGAN METODE PELACAKAN TARGET DAN DETEKSI ANOMALI MARITIM BERBASIS CLUSTERING DAN FUSI DATA YANG EFISIEN DALAM SISTEM MULTI- SENSOR DENGAN PEMROSESAN DATA BERVOLUME BESAR

Penulis : Adiyasa Nurfalah [33221004]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Ir. Suhono Harso Supangkat, M.Eng.
  • Dr. Ing. Eueung Mulyana, S.T, M.Sc.
Jenis Koleksi : Disertasi
Tahun Terbit : 2025
Penerbit : Teknik Elektro dan Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : AIS anomaly detection, ECMAT, FCTAF, maritime target tracking, multi-sensor system, situational awareness.
Sumber :
Staf Input/Edit : Dessy Rondang Monaomi  
File : 1 file
Tanggal Input : 23 Apr 2025

Dokumen Asli
PUBLIC Open In Flip Book Dessy Rondang Monaomi Ringkasan

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.

Artikel Terkait