Article Per Year (5 Year)
p-Index From 2020 - 2025
4.449
P-Index
This Author published in this journals
All Journal Indonesian Journal of Pharmaceutical Science and Technology Jurnal Inspiration JOIV : International Journal on Informatics Visualization Unnes Science Education Journal Jurnal Penelitian Pendidikan IPA (JPPIPA) BIOEDUSCIENCE Journal of Education and Instruction (JOEAI) Martabe : Jurnal Pengabdian Kepada Masyarakat Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar Jurnal Review Pendidikan dan Pengajaran (JRPP) Cakrawala Indonesia Mazahibuna: Jurnal Perbandingan Mazhab Al-Minhaj Kognitif: Jurnal Riset HOTS Pendidikan Matematika Jurnal Minfo Polgan (JMP) Journal Of Human And Education (JAHE) Journal of Natural Science and Technology Adpertisi: Bidang Sains dan Teknologi JURNAL SIPISSANGNGI: Jurnal Pengabdian Kepada Masyarakat Journal of Technology Research in Information System and Engineering Samalewa: Jurnal Riset dan Kajian Manajemen Asian Journal of Applied Education Enrichment: Journal of Multidisciplinary Research and Development Waluya The International Science of Health Journal Ilmu Manajemen Sosial Humaniora (JIMSH) Hayyan Journal Mammiri: Jurnal Pengabdian Masyarakat EDUCATIONAL: Jurnal Inovasi Pendidikan dan Pengajaran
Muhammad Arafah
Program Teknik Informatika, STMIK AKBA, Makassar
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : EDUCATIONAL: Jurnal Inovasi Pendidikan dan Pengajaran

 1 
KLASIFIKASI OBJEK KAPAL BERBASIS DEEP LEARNING UNTUK MARITIME SURVEILLANCE TANDUNG, ALBERTHA LOLO; ABDUH, MOCHAMMAD; ARAFAH, MUHAMMAD; HALID, AGUS; MULYONO , MULYONO; INRIANI, INRIANI
EDUCATIONAL : Jurnal Inovasi Pendidikan & Pengajaran Vol. 4 No. 4 (2024)
Publisher : Pusat Pengembangan Pendidikan dan Penelitian Indonesia (P4I)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51878/educational.v4i4.3753

Abstract

This study aims to develop a Convolutional Neural Network (CNN) model for ship type classification with high accuracy. The developed model achieved 92% accuracy, 91% precision, 93% recall, and 92% F1-Score, which shows the effectiveness of the model in identifying cargo, passenger, and fishing vessels. These results support the research hypothesis (H1), which states that CNN is able to classify ship types with an accuracy of more than 85%. This success was achieved through a systematic approach in data collection and processing. Images collected from Soekarno-Hatta Port and Samalona Island with varying angles and lighting provided diverse data that was important for model training. Data filtering and labeling using the Roboflow platform ensured optimal image quality. Model training used the TensorFlow framework with a batch size of 32 and 50 epochs, resulting in fast convergence and good generalization capabilities. Further evaluation showed that this model was able to minimize classification errors with balanced precision and recall. The main challenge includes the variation of external conditions, but the data augmentation technique successfully overcomes this problem and improves the robustness of the model. This study makes a significant contribution to the development of machine learning-based ship classification technology for maritime surveillance applications. Recommendations for further research include collecting larger datasets and exploring other image processing methods to improve model accuracy under more difficult shooting conditions. Overall, this study shows the great potential of using CNN for maritime surveillance efficiency. ABSTRAKPenelitian ini bertujuan mengembangkan model Convolutional Neural Network (CNN) untuk klasifikasi jenis kapal dengan akurasi yang tinggi. Model yang dikembangkan mencapai akurasi 92%, presisi 91%, recall 93%, dan F1-Score 92%, yang menunjukkan efektivitas model dalam mengidentifikasi kapal kargo, penumpang, dan nelayan. Hasil ini mendukung hipotesis penelitian (H1), yang menyatakan bahwa CNN mampu mengklasifikasikan jenis kapal dengan akurasi lebih dari 85%. Keberhasilan ini dicapai melalui pendekatan sistematis dalam pengumpulan dan pemrosesan data. Gambar-gambar yang dikumpulkan dari Pelabuhan Soekarno-Hatta dan Pulau Samalona dengan variasi sudut dan pencahayaan memberikan data beragam yang penting untuk pelatihan model. Penyaringan dan pelabelan data menggunakan platform Roboflow memastikan kualitas gambar yang optimal. Pelatihan model menggunakan framework TensorFlow dengan batch size 32 dan epochs 50, menghasilkan konvergensi yang cepat dan kemampuan generalisasi yang baik. Evaluasi lebih lanjut menunjukkan bahwa model ini mampu meminimalkan kesalahan klasifikasi dengan presisi dan recall yang seimbang. Tantangan utama termasuk variasi kondisi eksternal, namun teknik augmentasi data berhasil mengatasi masalah ini dan meningkatkan ketahanan model. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi klasifikasi kapal berbasis machine learning untuk aplikasi pengawasan maritim. Rekomendasi untuk penelitian lanjutan termasuk pengumpulan dataset lebih besar dan eksplorasi metode pengolahan citra lainnya untuk meningkatkan akurasi model pada kondisi pengambilan gambar yang lebih sulit. Secara keseluruhan, penelitian ini menunjukkan potensi besar penggunaan CNN untuk efisiensi pengawasan maritim.
Co-Authors ABDUH, MOCHAMMAD Adhan, Muhammad Agung Gunawan Agus Halid, Agus ahmad yani Ambo Upe Amiruddin, Muh. Fauzan Andi Badli Rompegading Andi Sumardin, Andi Andis, Andis ANGRIAWAN, RANDY Arifuddin, Arman Asri, Andi Asriani, Besse Assidiq, Muhammad Asti, Mulham Jaki Awi Dassa, Awi Badli Rompegading, Andi Bahar, Erni Ekafitria Basri Basri Dahlan, Darsal Detti Uleng, Andi Dewanti, Lucky Fauziah Suhardi , Rifdah Tami Hadarmawandi, Hadarmawandi Hair, Miftahul Hardianti Arafah, Eka Henny Sri Astuty Herlina, Besse Hikmawati, Haeria ihya, Zahratul ILHAM Ilham Ilham Imran, Nadya Setyastuti Inriani Inriani, Inriani Irfandi, Rizal Karim, Harli A Kawatu, Paul Johan M. Sabir, Fitriana Maslihatin, Tatik Maulidinnawati, Andi Muhajirin, M Muhajirin, Muhajirin Muhammad Arfan Muhammad Nasir Muhammad Nur Muhammad Sabri Muhammad Tahir Muhlis, Nur Fadhillah Mulyono , Mulyono Nasser P, Muh Kemal Nasser P, Muhammad Kemal Natsir, Khaidir Rahman Nur Fisabilianti, Nur Nur, Irsan Nurcaya Nurcaya Nurcaya Nurhalisa, Nurhalisa NURZAENAB, NURZAENAB Parewe, Andi Maulidinnawati Abdul Kadir Parioga, Hesti Pasnur Pasnur Pasnur Pitung, A. Pitung, Andi Punjanan, Abraham Andromeda Putri, Nur Fisabilianti Rahmadani, Fitria Rahmatullah, Andi Muhammad Ridha Ramadhani Syam, Irma Resha, Muhammad Rika, Rika Rony, Zahara Tussoleha Ruslang, Ruslang Ryzky Paisal, Tengku Sabir, Fitriana M. Samramadana, Muh Akram Sapitri, Irma Saputra, Febri Hidayat Sema, Sema Sengka, Rani Sir, Panessai Sitti Aminah Sodikin Sodikin Sofyan Sri Hardianti Rosadi Sudarmianti, Sudarmianti Sumardin, A Sunarsih Sunarsih Suryadi Syamsu, Suryadi Syafruddin, S Syamsiar, Syamsiar Syamsu Rijal Tamrin, Fadli Tandung, Albertha Lolo Tanjung, Akbar Tantu, Zakiah Tatik Maslihatin Taufik Tri Septiani Trywulan Syah, Uswah Winarti Winarti Yunus, Nur Hafsah Yusuf , Andi M Zuraida