Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Perikanan dan Kelautan Marine Fisheries: Jurnal Teknologi dan Manajemen Perikanan Laut
Pratama, Xavercius Cezar
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Education Environmental Science Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
EVALUATION OF NUSANTARA 3 REMOTELY OPERATED VEHICLE (N3-ROV) SPECIAL REPORT OF PERFORMANCE AND STABILITY IN VARIOUS WATER CONDITIONS: EVALUASI KINERJA DAN STABILITAS NAVIGASI NUSANTARA 3 REMOTELY OPERATED VEHICLE (N3-ROV) DALAM LINGKUNGAN PERAIRAN BERBEDA Pratama, Xavercius Cezar; Jaya, Indra; Iqbal, Muhammad
Jurnal Teknologi Perikanan dan Kelautan Vol 16 No 2 (2025): MEI 2025
Publisher : Fakultas Perikanan dan Ilmu Kelautan, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24319/jtpk.16.160-172

Abstract

Sumber daya laut yang luas memerlukan observasi dan eksplorasi bawah air, tetapi metode konvensional penyelaman memiliki banyak risiko. Oleh karena itu, pengembangan teknologi bawah air seperti Remotely Operated Underwater Vehicle (ROV) sangat penting untuk mengurangi risiko. Namun, lingkungan bawah air yang tidak terduga memerlukan pengujian kinerja ROV sebelum digunakan secara optimal. Oleh karena itu, dilakukan penelitian ini untuk menguji kinerja N3-ROV, mengetahui spesifikasi khususnya, serta merancang sistem kendali dan akuisisi video agar dapat menjadi alternatif untuk observasi dan eksplorasi bawah air. N3-ROV memiliki dimensi 61x65x34 cm, berat total 13 kg dengan daya apung sebesar 128,4 kg.m/s2 dengan kendali di permukaan menggunakan gamepad yang terhubung ke laptop. Uji kinerja dilakukan pada dua lingkungan yang berbeda, lingkungan kolam dan lingkungan lapang. N3-ROV memiliki pergerakan lurus pada lingkungan kolam dengan error sebesar 0° dan pada lingkungan lapang sebesar 1,7° dengan kecepatan berturut-turut 76,6 cm/s dan 77,2 cm/s. Gerak turun pada kedua lingkungan berbeda dimana pada lingkungan kolam gerak turun memiliki delay dan error berturut-turut sebesar 9,7 detik dan 94,1° dibandingkan dengan lingkungan lapang 3,9 detik dan 48,8°. Delay dan error pada gerak berbelok di lingkungan kolam lebih tinggi dibandingkan lingkungan laut. Gerak gliding pada lingkungan kolam memiliki kecepatan surfacing yang lebih lambat dibandingkan dengan lingkungan lapang.
DESIGN AND DEVELOPMENT OF A DEEP LEARNING-BASED AUTOMATIC FISHERIES LOGBOOK FILLING TOOL Iqbal, Muhammad; Tanhir, Muhammad Fadhilah; Apriliansyah, Bachtiar Adi; Pratama, Xavercius Cezar; Nadja, Kuntum Khaira; Lotaldy, Alnodio; Wahyuningrum, Prihatin Ika
Marine Fisheries : Journal of Marine Fisheries Technology and Management Vol. 15 No. 2 (2024): Marine Fisheries: Journal of Marine Fisheries Technology and Management
Publisher : Bogor Agricultural University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jmf.v15i2.47574

Abstract

Filling out a fishery logbook is critical in capturing fisheries to maintain fishery sustainability. However, manual logbook filling often leads to errors in data recording, which can impact the accuracy and quality of fishery data. This study propose the design of an automatic fisheries logbook filling tool based on Deep Learning, called FLOADS (Fisheries Logbook and Detection System). This system consists of instruments placed at the ship's hatch, equipped with a camera capable of detecting fish species, measuring the weight of individual fish passing through, and recording and sending data, along with the ship's position and speed, to a server on land. The development stages of the FLOADS include problem identification, tool design, prototype development, and field testing. The FLOADS prototype consisted of three parts: a fish collection container, a fish sliding area, and an Imaging Box with dimensions of 120 cm × 65 cm × 82 cm. Validation of the YOLOv5 model showed an accuracy rate of 99.07% and an F1-Score of 99.1% for recognizing the Tuna, Cakalang, and Tongkol (TCT) fish species. Field testing was conducted in Palabuhanratu using a 10 GT fishing vessel. The field testing results show that FLOADS performs well on board to detect objects with an accuracy rate of 89.1% and track vessel activities with reasonable accuracy. Keywords: Deep Learning, DeepSORT, Fisheries Logbook, Measurable Fishing, TCT.
Co-Authors Apriliansyah, Bachtiar Adi Indra Jaya Lotaldy, Alnodio Muhammad Iqbal Nadja, Kuntum Khaira Prihatin Ika Wahyuningrum Tanhir, Muhammad Fadhilah