IMPLEMENTASI METODE YOLOV9 DALAM DETEKSI DAN KLASIFIKASI JENIS KAPAL

SARI, NOVI AMANDA PUSPITA (2025) IMPLEMENTASI METODE YOLOV9 DALAM DETEKSI DAN KLASIFIKASI JENIS KAPAL. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text COVER_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (164kB)
	Text ABSTRAK_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (240kB)
	Text LEMBAR PEMBIMBING_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (598kB)
	Text LEMBAR PENGUJI_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (623kB)
	Text DAFTAR ISI_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (225kB)
	Text DAFTAR PUSTAKA_NOVI AMANDA PUSPITA SARI_123200065.pdf Download (203kB)
	Text SKRIPSI FULLTEXT_NOVI AMANDA PUSPITA SARI_123200065.pdf Restricted to Repository staff only Download (3MB)

Abstract

Luasnya wilayah perairan Indonesia dihadapkan pada tantangan pengawasan
maritim yang kompleks, terutama terkait maraknya aktivitas ilegal seperti penangkapan ikan
ilegal (IUU Fishing). Sistem pemantauan konvensional seperti Vessel Monitoring System
(VMS) dan Automatic Identification System (AIS) memiliki keterbatasan fundamental,
antara lain kerentanan terhadap pemadaman sinyal secara sengaja oleh pelaku ilegal, kualitas
data yang tidak konsisten, serta regulasi yang hanya mewajibkan instalasi pada kapal
berukuran tertentu. Kesenjangan ini menciptakan kebutuhan mendesak akan teknologi
pengawasan alternatif yang lebih andal, otomatis, dan mampu mengidentifikasi objek kapal
secara akurat tanpa bergantung pada kerja sama dari kapal itu sendiri. Penelitian ini
mengangkat permasalahan tersebut dengan mengusulkan implementasi teknologi deteksi
objek berbasis deep learning sebagai solusi untuk meningkatkan efektivitas dan efisiensi
pengawasan maritim di perairan Indonesia.
Penelitian ini menerapkan metodologi kuantitatif dengan pendekatan implementatif,
menggunakan model deteksi objek YOLOv9 varian YOLOv9-c untuk melakukan deteksi
dan klasifikasi terhadap lima jenis kapal: Cargo, Container, Cruise, Fishing Boar, dan
Warship. Proses akuisisi data menggunakan dataset sekunder dari platform Roboflow yang
terdiri dari 7.699 citra kapal. Data tersebut kemudian melalui tahap pra-pemrosesan yang
meliputi pembersihan data, pembagian dataset menjadi 70% data pelatihan, 20% data
validasi, dan 10% data pengujian, serta standardisasi resolusi citra menjadi 640x640 piksel.
Model dilatih selama 70 epoch menggunakan infrastruktur Virtual Private Server (VPS)
dengan akselerasi Graphics Processing Unit (GPU) NVIDIA RTX 4090. Sebagai gambaran
fungsionalitas, model yang telah dilatih diintegrasikan ke dalam sebuah sistem aplikasi
interaktif yang dikembangkan dengan framework Streamlit.
Hasil penelitian menunjukkan bahwa model YOLOv9-c yang diimplementasikan
berhasil mencapai tingkat akurasi dan performa yang cukup tinggi. Pada evaluasi akhir
menggunakan data pengujian model memperoleh nilai Precision sebesar 0,957, Recall 0,946,
mAP@0.5 sebesar 0,973, dan mAP@0.5:0.95 sebesar 0,792. Hasil penelitian ini
berkontribusi dengan menyediakan data kinerja awal untuk model YOLOv9 pada domain
pengawasan maritim, yang dapat dijadikan referensi bagi penelitian di masa depan. Hasilnya
menunjukkan potensi model ini sebagai pendekatan alternatif untuk otomatisasi
pemantauan, yang didukung oleh fitur arsitektural seperti Programmable Gradient
Information (PGI) dan Generalized Efficient Layer Aggregation Network (GELAN)
Kata Kunci: Deteksi Kapal, YOLOv9, Deteksi Objek, Visi Komputer, Pengawasan Maritim

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Novi Amanda Puspita Sari (Penulis - 123200065); Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Deteksi Kapal, YOLOv9, Deteksi Objek, Visi Komputer, Pengawasan Maritim
Subjek:	T Technology > TJ Mechanical engineering and machinery
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	14 Oct 2025 02:05
Last Modified:	14 Oct 2025 02:05
URI:	http://eprints.upnyk.ac.id/id/eprint/44307

Actions (login required)

View Item