Prediksi Lintasan Kapal Menggunakan Data Automatic Identification System dan Metode Long Short Term Memory

Article Sidebar

PDF
Published Dec 18, 2023

Main Article Content

Widyadi Setiawan
Universitas Udayana
I Putu Elba Duta Nugraha Sri Andriati Asri

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi lintasan kapal menggunakan data Automatic Identification System (AIS) dan Long Short-Term Memory (LSTM) sebagai metode jaringan saraf rekuren. Data AIS memberikan informasi dinamis tentang posisi, kecepatan, dan arah kapal, yang digunakan sebagai input untuk model LSTM. Penelitian ini menerapkan pendekatan pemodelan sekuensial yang memungkinkan model memahami pola temporal dari data lintasan kapal. Penggunaan LSTM diharapkan dapat meningkatkan akurasi prediksi lintasan, terutama dalam mengatasi kompleksitas perubahan dinamika pergerakan kapal di laut. Eksperimen dilakukan dengan memanfaatkan dataset lintasan kapal yang luas dan beragam. Hasil menunjukkan bahwa model LSTM memberikan performa yang memuaskan dalam memprediksi lintasan kapal, membuka peluang untuk penerapan teknologi ini dalam pemantauan dan manajemen lalu lintas maritim secara lebih efisien dan akurat.

Article Details

How to Cite
SETIAWAN, Widyadi; NUGRAHA, I Putu Elba Duta; ASRI, Sri Andriati. Prediksi Lintasan Kapal Menggunakan Data Automatic Identification System dan Metode Long Short Term Memory. Prosiding Seminar Nasional Sains dan Teknologi (Senastek), [S.l.], v. 8, n. 1, p. 315-319, dec. 2023. Available at: <https://ojs.unud.ac.id/index.php/senastek/article/view/110665>. Date accessed: 27 apr. 2024.
ABNT APA BibTeX CBE EndNote - EndNote format (Macintosh & Windows) MLA ProCite - RIS format (Macintosh & Windows) RefWorks Reference Manager - RIS format (Windows only) Turabian
Issue
Vol 8 No 1 (2023): Senastek 2023
Section
Articles

References

[1] J. Liu, G. Shi, and K. Zhu, “Vessel trajectory prediction model based on ais sensor data and adaptive chaos differential evolution support vector regression (ACDE-SVR),” Appl. Sci., vol. 9, no. 15, 2019, doi: 10.3390/app9152983.
[2] Z. Wei, X. Xie, and X. Zhang, “Maritime anomaly detection based on a support vector machine,” Soft Comput., vol. 26, no. 21, 2022, doi: 10.1007/s00500-022-07409-w.
[3] M. Uney, L. M. Millefiori, and P. Braca, “Data Driven Vessel Trajectory Forecasting Using Stochastic Generative Models,” in ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, 2019, vol. 2019-May, doi: 10.1109/ICASSP.2019.8683444.
[4] N. Forti, L. M. Millefiori, and P. Braca, “Unsupervised extraction of maritime patterns of life from Automatic Identification System data,” in OCEANS 2019 - Marseille, OCEANS Marseille 2019, 2019, vol. 2019-June, doi: 10.1109/OCEANSE.2019.8867429.
[5] F. Mazzarella, V. F. Arguedas, and M. Vespe, “Knowledge-based vessel position prediction using historical AIS data,” 2015, doi: 10.1109/SDF.2015.7347707.
[6] C. H. Yang, C. H. Wu, J. C. Shao, Y. C. Wang, and C. M. Hsieh, “AIS-Based Intelligent Vessel Trajectory Prediction Using Bi-LSTM,” IEEE Access, vol. 10, 2022, doi: 10.1109/ACCESS.2022.3154812.
[7] J. Chen, J. Zhang, H. Chen, Y. Zhao, and H. Wang, “A TDV attention-based BiGRU network for AIS-based vessel trajectory prediction,” iScience, vol. 26, no. 4, 2023, doi: 10.1016/j.isci.2023.106383.