- 18.196 kapal Γ 52,4 juta pesan/hari
- Duplikasi sinyal 2β5Γ (multi-Tersus)
- Beban bandwidth & storage tinggi
- Tidak ada filter/deduplication di edge
- vT, chT, Ο, R, DT ditentukan manual
- Berbasis literatur & trial-and-error
- Tidak ada optimasi formal/otomatis
- Diterapkan global untuk semua kapal
- Parameter seragam semua tipe kapal
- Mis-klasifikasi stay region
- Kapal tug/fishing sering keliru dideteksi
- Heterogenitas perilaku kapal diabaikan
- Belum ada pemetaan fitur kapal/wilayah
- Tidak adaptif ke perairan baru (Indonesia)
- Butuh re-tuning manual tiap dataset
- Menghambat adopsi sistem nasional
- Big data dari ribuan kapal
- Transmisi kontinu real-time
- Beban bandwidth tinggi
- Kebutuhan penyimpanan masif
- Duplikasi sinyal multi-stasiun
- Informasi redundan tinggi
- Noise dan error data
- Efisiensi rendah
- Parameter stay detection manual
- Tidak ship-aware (semua kapal sama)
- Tidak adaptif per wilayah
- Suboptimal untuk heterogenitas kapal
Otomasi pemilihan parameter stay detection (vT, chT, Ο, R, DT) dengan fungsi objektif multi-metrik:
f(ΞΈ) = wβΒ·ACR β wβΒ·AMSED β wβΒ·AMSE β wβΒ·AMCE
Parameter adaptif per tipe kapal:
- Cargo / Tanker
- Passenger
- Tug / Fishing
Pemetaan fitur kapal + konteks wilayah β parameter optimal:
- Fitur statis: tipe, panjang, draft
- Fitur dinamis: SOG, COG
- Konteks: kepadatan, geografis
- vT: Threshold kecepatan
- chT: Threshold COG-heading
- Ο: Window waktu
- R: Radius spasial
- DT: Density threshold
- Pre-processing di edge
- Kompresi hierarkis (DWT + TDF)
- Adaptive multi-attribute compression
- Transmisi data terkompresi ke cloud
- Durasi stay (Ξ΄stay)
- Radius wilayah stay (Rstay)
- Total stay duration
- Pola kecepatan & manuver
- ACR: Average Compression Ratio
- AMSED: β€ 40m
- AMSE: β€ 0.5 knot
- AMCE: β€ 5Β°
- F1-score: +10% untuk tug/fishing
- Pengurangan beban transmisi data
- Penurunan penggunaan bandwidth
- Optimasi kapasitas penyimpanan cloud
- Preserve informasi semantik krusial
- Maintain trajectory fidelity
- Kemampuan deteksi anomali terjaga
- Siap integrasi sistem Imotion-Tersus
- Edge-ready prototype
- Dukungan Maritime Domain Awareness Indonesia
RP1 Volume Data Masif & Duplikasi Sinyal
- 18.196 kapal aktif di perairan Indonesia mengirim data AIS setiap 3β180 detik
- Total estimasi: 52,4 juta pesan/hari (~19,1 miliar/tahun)
- Satu kapal bisa diterima 2β5 Tersus sekaligus β duplikasi data 2β5Γ lipat
- Tidak ada mekanisme deduplication atau filter di sisi edge (Tersus)
- Mengakibatkan beban bandwidth, storage petabyte-scale, dan biaya cloud tinggi
RP2 Parameter Stay Detection Manual & Global
- Lima parameter kunci β vT, chT, Ο, R, DT β ditentukan secara manual
- Berdasarkan kombinasi literatur, pengalaman pelaut, dan trial-and-error empiris
- Diterapkan secara global: satu set parameter untuk semua kapal & wilayah
- Tidak ada mekanisme optimasi formal atau fungsi objektif yang sistematis
- Hasil kompresi sub-optimal karena tidak mempertimbangkan variasi trajektori
RP3 Tidak Ship-Aware (Heterogenitas Kapal Diabaikan)
- Perilaku trajektori sangat berbeda per tipe: cargo, tanker, tug, passenger, fishing
- Kapal tug & fishing: kecepatan lambat, manuver sering β sering mis-klasifikasi sebagai stay
- Kapal cargo/tanker: lintasan lurus, jarang berhenti β under-compressed
- Parameter vT, chT, Ο, R, DT tidak dibedakan per tipe kapal
- Mengakibatkan penurunan F1-score deteksi stay region pada tipe kompleks
RP4 Tidak Ada Model Generalisasi Lintas Wilayah
- Tidak ada pemetaan eksplisit dari fitur kapal/wilayah ke konfigurasi parameter
- Informasi statis AIS (tipe kapal, panjang, draft) tersedia namun belum dimanfaatkan
- Adaptasi ke wilayah baru (perairan Indonesia) membutuhkan re-tuning manual
- Menghambat adopsi luas sistem kompresi di ekosistem Imotion-Tersus nasional
- Ketergantungan pada parameter global yang di-tuning di satu dataset saja
Peta Hubungan Research Problem β Research Question β Novelty
β RQ1: Optimasi Data-Driven
Bagaimana merancang mekanisme pemilihan parameter stay detection (vT, chT, Ο, R, DT) yang bersifat data-driven sehingga tidak lagi bergantung pada penentuan manual, tetapi dioptimalkan secara sistematis untuk menyeimbangkan antara compression rate dan error semantik trajektori AIS?
β RQ2: Personalisasi Ship-Aware
Bagaimana mempersonalisasi parameter stay detection berdasarkan tipe kapal (cargo, tanker, tug, passenger, fishing) agar konfigurasi parameter yang digunakan lebih sesuai dengan pola kecepatan, manuver, dan perilaku stay masing-masing tipe, serta menghasilkan peningkatan kualitas kompresi dibandingkan pendekatan parameter global yang seragam?
β RQ3: Adaptasi Lintas Wilayah
Bagaimana mengembangkan model yang memetakan fitur kapal dan karakteristik wilayah pelayaran ke kombinasi parameter stay detection yang adaptif, serta mengevaluasi kemampuan generalisasinya ketika metode diterapkan pada wilayah baru seperti perairan Indonesia, dibandingkan dengan konfigurasi parameter yang dioptimalkan secara global?
π H1: Optimasi Data-Driven β Kompresi Lebih Baik
Hipotesis: Optimasi data-driven parameter stay region (vT, chT, Ο, R, DT) menghasilkan kompresi lebih baik tanpa kehilangan semantik dibandingkan parameter manual global.
Variabel Independen: Metode optimasi (data-driven vs manual)
Variabel Dependen: ACR, AMSED, AMSE, AMCE
Baseline: Parameter manual Chen & Pi (2025)
π H2: Ship-Aware β Akurasi Stay Detection Lebih Tinggi
Hipotesis: Personalisasi ship-aware per tipe kapal meningkatkan akurasi deteksi stay region dibandingkan parameter unified global.
Variabel Independen: Parameter ship-type-aware vs unified
Variabel Dependen: F1-score, Precision, Recall stay detection
Fokus: Tipe kapal tug & fishing (paling kompleks)
π H3: Model Mapping β Generalisasi Baik Lintas Dataset
Hipotesis: Model mapping fitur kapal/wilayah generalisasi baik lintas dataset dibandingkan optimasi lokal per dataset.
Variabel Independen: Model mapping vs optimasi lokal
Variabel Dependen: ACR drop cross-dataset, Generalization gap
Evaluasi: Dataset Indonesia vs Chen & Pi (global)