<![CDATA[Ship movement activities in busy port areas have the potential to generate abnormal movement patterns that may disrupt maritime security and operational efficiency. The main problem addressed in this program is the need for an early detection system capable of identifying vessel movement anomalies quickly and accurately. This Community Service Program (PKM) aimed to develop an anomaly detection model for ship movements at Tanjung Priok Port using the Isolation Forest and One Class Support Vector Machine (OC-SVM) methods. The novelty of this program lies in the integration of these two methods into a maritime traffic data-based anomaly detection system developed collaboratively with the Indonesian Maritime Security Agency (Bakamla RI) to support smarter and more adaptive maritime surveillance. The implementation method consisted of ship movement data collection, data preprocessing, machine learning model development, system testing, and dissemination of results to the Indonesian Maritime Security Agency (Bakamla RI) as the partner institution. The results showed that the developed model was able to identify abnormal ship movement patterns, such as sudden direction changes, unusual speed, and movement outside designated shipping lanes. The resulting system provided faster data visualization and anomaly information, thereby supporting more effective and efficient maritime surveillance processes. This activity also created opportunities for broader implementation across Indonesian waters. ABSTRAKAktivitas pergerakan kapal di kawasan pelabuhan yang padat memiliki potensi terjadinya pola pergerakan tidak normal yang dapat mengganggu keamanan dan kelancaran operasional maritim. Permasalahan utama yang dihadapi adalah kebutuhan akan sistem deteksi dini yang mampu mengidentifikasi anomali pergerakan kapal secara cepat dan akurat. Kegiatan Pengabdian Kepada Masyarakat (PKM) ini bertujuan mengembangkan model deteksi anomali pergerakan kapal di Pelabuhan Tanjung Priok menggunakan metode Isolation Forest dan One Class Support Vector Machine (OC-SVM). Kebaruan kegiatan ini terletak pada penerapan dan integrasi kedua metode tersebut dalam sistem deteksi anomali berbasis data pelayaran yang dikembangkan bersama Bakamla RI untuk mendukung pengawasan maritim secara lebih cerdas dan adaptif. Metode pelaksanaan dilakukan melalui tahapan pengumpulan data pergerakan kapal, praproses data, pemodelan menggunakan algoritma machine learning, pengujian sistem, serta sosialisasi hasil kepada mitra Badan Keamanan Laut Republik Indonesia (Bakamla RI). Hasil kegiatan menunjukkan bahwa model yang dikembangkan mampu mengidentifikasi pola pergerakan kapal yang menyimpang dari rute normal, seperti perubahan arah mendadak, kecepatan tidak wajar, dan pergerakan di luar jalur pelayaran. Sistem yang dihasilkan memberikan visualisasi data dan informasi anomali secara lebih cepat sehingga mendukung proses pengawasan maritim yang lebih efektif dan efisien. Kegiatan ini juga membuka peluang implementasi sistem pada wilayah perairan Indonesia secara lebih luas.]]>
