1
Perancangan Integrasi Sistem Pengambilan
Keputusan Berbasis Data Automatic Identification
System (AIS) untuk Pemodelan Illegal
Unregulated and Unreported (IUU) Fishing dan
Transhipment Menggunakan Jaringan Saraf
Tiruan (JST)
Sarah Maulida1, Aulia Siti Aisjah2, A.A Masroeri3
1,2
Departemen Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
3
Departemen Teknik Sistem Perkapalam, Fakultas Teknologi Kelautan, Institut Teknologi Sepuluh Nopember
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: sarahmaulidaok@gmail.com, 2auliasa@ep.its.ac.id, 2auliasa20@gmail.com, 3masroeri@its.ac.id
1
Abstrak—Upaya-upaya pengawasan atas Illegal,
Unregulated, Unreported (IUU) Fishing dan Transhipment
terhadap kapal masih kurang optimal karena keterbatasan
instrumen pengawasan. Penelitian ini melakukan perancangan
integrasi sistem pengambilan keputusan menggunakan Jaringan
Syaraf Tiruan (JST) berbasis data Automatic Identification
System (AIS) untuk identifikasi terjadinya IUU Fishing dan
Transhipment. Kapal-kapal ikan yang melakukan IUU Fishing
atau Transhipment di perairan Indonesia akan teridentifikasi
secara otomatis sehingga dapat mempermudah dalam
pengawasan. Sistem dilakukan dengan menggunakan JST
Backpropagation Levenberg-Marquardt. Beberapa trayektori
pergerakan kapal ikan jenis cantrang untuk identifikasi IUU
Fishing dan menggunakan pendeketan parameter ship collision
untuk identifikasi IUU Transhipment.
Pengujian dilakukan dengan trayektori pergerakan kapal
fishing dan transhipment serta validasi sistem menggunakan
data real kapal yang terbukti melakukan dan tidak terbukti
melakukan IUU Fishing atau Transhipment yang tertangkap
oleh AIS. Dari hasil pengujian terbukti bahwa sistem yang
dirancang cukup relevan untuk diterapkan dan trayektori
pergerakan kapal dapat menjadi parameter utama dalam
identifikasi terjadinya IUU Fishing dan Transhipment. Hasil
arsitektur JST memiliki performansi terbaik dengan
konfigurasi 6-8-1 untuk pelatihan IUU Fishing dan konfigurasi
6-1-1 untuk pelatihan IUU Transhipment. Sitem berhasil
mengidentifikasikan dengan akurasi tinggi dibuktikan dengan
keluaran hasil validasi mencapai 80,53% dengan menggunakan
hasil pelatihan JST untuk IUU Fishing serta 75,01% dengan
menggunakan hasil pelatihan JST untuk IUU Transhipment.
Kata Kunci : IUU Fishing, IUU Transhipment, Jaringan
Syaraf Tiruan (JST), Automatic Identification System (AIS)
I. PENDAHULUAN
Indonesia merupakan negara kepulauan terbesar di dunia
dengan 17.504 pulau dan luas perairan laut 5,8 juta km²
(terdiri dari luas laut teritorial 0,3 juta km², luas perairan
kepulauan 2,95 juta km², dan luas Zona Ekonomi Eksklusif
Indonesia (ZEEI) 2,55 juta km²). Potensi lestari sumber daya
ikan laut Indonesia diperkirakan sebesar 7.3 juta ton per tahun
yang tersebar di perairan wilayah Indonesia. (KKP, 2005).
Wilayah laut Indonesia merupakan sektor penting yang
menjadi fokus pemerintah terutama Kementrian Kelautan dan
Perikanan (KKP) dalam menjaga pertahanan dan keamanan
negara. Kondisi sumber daya beberapa spesies ikan di
wilayah Indonesia saat ini hampir Fully Eksploited dan Over
Exploited. Hal tersebut merupakan akibat dari kejahatan
perikanan IUU Fishing dan Transhipment di wilayah
Indonesia yang berdampak pada kerugian ekonomi, ancaman
kelestarian lingkungan SDI (Sumber Daya Ikan), iklim usaha
yang tidak kondusif, serta nelayan yang terus terlilit
kemiskinan.
Modus IUU Fishing yang kerap dilakukan di wilayah
perairan Indonesia antara lain menyalahi area penangkapan,
jenis alat tangkap yang dilarang, tidak melaporkan hasil
tangkapan sesungguhnya atau pemalsuan hasil tangkapan, dan
hasil tangkapan ikan yang langsung dibawa ke negara lain
(transhipment) (BPK, 2016). Salah satu alat tangkap ikan
yang banyak digunakan oleh nelayan di Indonesia adalah
cantrang. Penggunaan cantrang di Indonesia diatur dalam
Peraturan Menteri Kelautan dan Perikanan RI Nomor
2/PERMEN-KP/2015, penggunaan alat penangkapan ikat
pukat hela (trawls) dan pukat tarik (seine nets) dilarang di
wilayah Indonesia dimana cantrang termasuk ke dalam pukat
tarik sehingga kegiatan perikanan tangkap yang menggunakan
 2

kedua jenis alat tersebut dilarang dan masih berlaku sampai dikembangkan oleh Muhammad Dany menggunakan logika
izin masa berlakunya habis. Cantrang dilarang karena dapat fuzzy dimana akurasi keluaran sistem teridentifikasi
merusak lingkungan seperti terumbu karang dan ekosistem melakukan IUU Fishing sebesar 98,342%. (Dani, 2017).
dari baby fish (bibit ikan), serta menangkap para baby fish Achmad Nidzar Alif melakukan penelitian menggunakan
tersebut sebelum siap ditangkap (Armawanti, 2017). logika fuzzy dimana akurasi keluaran sistem teridentifikasi
Praktik IUU Transhipment dalam hal operasi melakukan IUU Transhipment sebesar 78.8% untuk sistem
penangkapan ikan adalah pemindahan muatan ikan yang logika fuzzy selection dan 82% untuk sistem logika fuzzy final
terjadi di tengah lautan lepas. Martin Tsamenyi, menyebutkan decision. (A. Alif, 2016). Penelitian tentang IUU
bahwa transhipment merupakan salah satu modus pencurian Transhipment dikembangkan oleh Krisandi Putra
ikan. Modus transhipment artinya pemindahan muatan ikan menggunakn logika fuzzy dimana akurasi keluaran sistem
yang terjadi di tengah lautan lepas dari satu kapal ke kapal teridentifikasi melakukan IUU Transhipment sebesar
asing. Modusnya, kapal itu menjual ikannya di laut lepas 83,075%.(Situmorang, 2017).
tanpa melaporkan hasil tangkapannya, baru pada tangkapan Tugas Akhir ini akan mengembangkan pemodelan
terakhir atau saat periode perizinan hampir berakhir, sistem pengambilan keputusan berbasis data AIS dengan
melaporkan hasil tangkapannya kepada pejabat yang mengintegrasikan IUU Fishing dan Transhipment
berwenang di Indonesia. Jumlah ikan yang ditangkap tidak menggunakan metode Jarinngan Saraf Tiruan (JST) sebagai
dihitung kembali secara cermat. Hal-hal seperti ini menjadi sistem pengambilan keputusan. Data AIS (data dinamis) akan
angka rugi yang tersamarkan.(Gustina, 2013) dijadikan informasi perancangan sistem pengambilan
Beberapa teknologi yang digunakan untuk pematauan keputusan untuk identifikasi terjadinya IUU Fishing dan
IUU Fishing dan Transhipment adalah AIS (Automatic Transhipment. Uji coba menggunakan berbagai trayektori
Identification System), VTS (Vessel Traffic Sevices), dan pergerakan kapal per satuan waktu maka dapat diidentifikasi
Radar. Pemantauan saat ini terhadap aktifitas IUU Fishing trayektori pergerakan kapal yang sedang melakukan IUU
dan Transhipment di Indonesia dilakukan melalui VTS di Fishing dan Transhipment. Metode JST digunakan untuk
Kantor Pusat Kementrian Kelautan Jakarta atau dari menetukan besarnya mse dari sistem pengambilan keputusan
pelabuhan terdekat. Informasi ini berdasarkan data AIS dan yaitu berupa nilai error yang keluar dari sistem tersebut.
radar long range camera yang mampu memantau hingga 40-
60 kilometer, serta kamera pemantau (CCTV) sejauh 4
kilometer. (Aulia Siti Aisjah, A.A Masroeri, 2013). II. METODOLOGI
AIS merupakan sistem pelacakan kapal otomatis, A. Perancangan Sistem Pengambilan Keputusan
digunakan pada kapal dan stasiun pantai untuk
mengidentifikasi dan melacak kapal dengan menggunakan Sistem pengambilan keputusan dirancang dengan
pengiriman data elektronik dengan kapal lainnya dan stasiun menggunakan JST untuk identifikasi terjadinya IUU Fishing
pantai terdekat. Informasi seperti identifikasi posisi, tujuan, dan Transhipment berbasis data AIS. Masukan pertama untuk
dan kecepatan dapat ditampilkan pada layar komputer atau mencari jarak yaitu:
ECDIS (Electronic Charts Display and Information System). d = Jarak 2 kapal (o)
Pada tahun 2000, International Maritime Organization (IMO) (o)
membuat peraturan baru yang mewajibkan setiap kapal untuk o
()
memasang peralatan AIS. AIS yang meliputi informasi statis
dan dinamis. Informasi dinamis diperbarui setiap 2 sampai 10 (o)
o
detik tergantung pada kecepatan kapal sedangkan informasi ()
statis terdiri dari IMO number, ships name, call sign, dimensi Maukan IUU Fishing yaitu:
kapal yaitu length and beam, tipe kapal dan lokasi antena (knot)
pemancar. Data dinamis meliputi posisi kapal, arah kapal, (knot)
kecepatan kapal, heading, dan status navigasional sudut putar
(o)
kapal. Dari data kecepatan, posisi, dan heading dari kapal
dapat diketahui trayektori pergerakan kapal (Aisjah et al., ( o)
2011). Masukan IUU Transhipment yaitu:
Penelitian sebelumnya menggunakan metode logika (knot)
fuzzy sebagai sistem pengambilan keputusan dan berbasis data
AIS kapal. Penelitian tentang IUU Fishing dilakukan oleh (knot)
Ikko Fransisko dan Muhammad Dany, sedangkan penelitian o
()
tentang IUU Transhipment dilakukan oleh Achmad Nidzar o
()
Alif dan Krisandi Putra. Ikko Fransisko melakukan penelitian
menggunakan logika fuzzy dimana akurasi keluaran sistem Desain sistem pengambilan keputusan dengan
teridentifikasi melakukan IUU Fishing sebesar 79.5837%. menggunakan JST dapat dilihat pada Gambar 1 dibawah:
(Fransisko, 2016). Penelitian tentang IUU Fishing
 3

5. Memulai Pelatihan dan menampilkan bobot hasil

training dan validasi.
6. Simpan Jaringan

Arsitektur JST yang digunakan adalah JST

multilayer dengan algoritma pelatihan Backpropagation
untuk IUU Transhipment dan Fishing.
Input Layer

X1
Vii
X2 Hidden Layer Output Layer

X3 K Wii
L

X4

X5

X6
Gambar 2. Arsitektur JST pada pelatihan trayektori IUU Transhipment

Hidden Layer
Input Layer Vii K1
X1 K2
Wii
X2 K3
Output Layer
X3 K4
L
Gambar 1. Diagram Blok Sistem Pengambilan Keputusan
X4 K5

B. Pembuatan Jaringan Syaraf Tiruan X5 K6

Pembuatan program JST dilakukan dengan menggunakan X6 K7

software Matlab R2014a. Neural Network Toolbox pada
Matlab menyediakan berbagai fungsi yang mendukung
pembuatan dan pengembangan JST. Pembuatan Jaringan
Syaraf Tiruan dilakukan melalui tahapan-tahapan sebagai
berikut:
1. Memuat data Training (Input dan Target)
2. Normalisasi data Input dan Target kedalam range 1
dan 0. Menggunakan fungsi persamaan normalisasi di
data adalah sebagai berikut:
(1)
dengan:
X’ = data hasil normalisasi
x = data asli/data awal
a = nilai maksimum data asli
b = nilai minimum data asli
3. Inisialisasi Jaringan Syaraf Tiruan. Fungsi aktivasi
yang digunakan yaitu tansig dan purelin
4. Penentuan Parameter Pelatihan (tiga parameter penting
yang ditentukan adalah epochs = 200; training goal =
0,02, sementara parameter lain bernilai default)
K8
Gambar 3. Arsitektur JST pada pelatihan trayektori IUU Fishing
Gambar 2 menjelaskan bahwa parameter-parameter yang
digunakan dalam pembentukan jaringan menggunakan 6
variabel masukan (X), 1 variabel tersembunyi (K) dan 1
lapisan keluaran (L). Gambar 3 menjelaskan bahwa
parameter-parameter yang digunakan dalam pembentukan
jaringan menggunakan 6 variabel masukan (X), 8 variabel
tersembunyi (K) dan 1 lapisan keluaran (L). Perancangan
digunakan 6 variabel input yaitu:
X1 = Jarak 2 kapal
X2 = Kecepatan kapal 1
X3 = Kecepatan kapal 2
X4 = Delta heading
X5 = Delta jarak
X6 = Jenis kapal
Dalam pelatihan ataupun pembentukan Jaringan Saraf
Tiruan yang perlu dilakukan pertama kali adalah inisialisasi
 4

bobot awal. Di mana bobot awal ini akan menghubungkan

simpul-simpul pada lapisan input dan juga lapisan
tersembunyi (hidden layer). Bobot awal pada algoritma di atas
adalah Vii), sedangkan bobot biasnya dipilih secara acak pada
simpul-simpul lapisan tersembunyi (hidden layer) dan lapisan
output ( Wii) dipilih secara acak.
D. Pengujian JST
Pada tahap ini, pengujian JST dilakukan dengan melihat
keluaran jaringan (prediksi) jika data input baru diberikan ke
jaringan. Langkah pertama yang perlu dilakukan sebelum Gambar 5. Trayektori ke-2 untuk kapal 1 teridentifikasi melakukan IUU
melakukan pengujian yaitu memanggil data dan memuatnya Fishing dan kapal 2 tidak teridentifikasi melakukan IUU Fishing
ke dalam workspace. Data selanjutnya dinormalisasi terlebih
dahulu sebelum perintah sim dijalankan untuk melakukan
pengujian jaringan

III. HASIL DAN PEMBAHASAN

A. Skenario Sistem Pengambilan Keputusan IUU Fishing
Pembangkitan pola gerak kapal dilakukan pada area
dengan titik koordinat antara longitude 111,23° dan latitude -
6,33° sampai longitude 112,6857° dan latitude -6,0579° yang
berlokasi di perairan rembang. Pembangkitan data pada Gambar 6. Trayektori ke-3 untuk kapal 1 teridentifikasi melakukan IUU
Fishing dan kapal 2 tidak teridentifikasi melakukan IUU Fishing
koordinat tersebut dianggap seolah-olah kapal tersebut
melakukan kegiatan IUU Fishing didaerah Perairan Rembang.
Proses uji JST pada IUU Fishing menggunakan kapal jenis
Cantrang. Skenario dari pembangkitan data uji ini dilakukan
pada 2 kapal yang sedang berlayar ditengah laut, kedua kapal
tersebut berjarak >800 meter sehingga satu kapal (Kapal 1)
teridentifikasi sedang melakukan IUU Fishing sedangkan
Kapal 2 tidak teridentifikasi melakukan IUU Fishing untuk
Gambar 4 sampai Gambar 6. Gambar 7 sampai Gambar 10
baik untuk kapal 1 maupun kapal 2 tidak teridentifikasi
melakukan IUU Fishing (bukan Kapal Cantrang). Data
trayektori 1-7 yang teridentifikasi melakukan IUU Fishing
dan tidak melakukan IUU Fishing akan dimasukan sebagai
input untuk uji atau training JST. Dalam proses uji digunakan Gambar 7. Trayektori ke-4 untuk kapal 1 dan kapal 2 tidak teridentifikasi
7 trayektori Kapal Cantrang dan bukan Kapal Cantrang dapat melakukan IUU Fishing
dilihat pada gambar berikut:

Gambar 8. Trayektori ke-5 ntuk kapal 1 dan kapal 2 tidak teridentifikasi

Gambar 4. Trayektori ke-1 untuk kapal 1 teridentifikasi melakukan IUU melakukan IUU Fishing
Fishing dan kapal 2 tidak teridentifikasi melakukan IUU Fishing
 5

Gambar 11. Trayektori ke-1 untuk kapal 1 dan kapal 2 sedang melakukan
Gambar 9. Trayektori ke-6 untuk kapal 1 dan kapal 2 tidak teridentifikasi
transhipment (Head on)
melakukan IUU Fishing

Gambar 12. Trayektori ke-2 untuk kapal 1 dan kapal 2 sedang melakukan
transhipment (Crossing)

Gambar 10. Trayektori ke-7 untuk kapal 1 dan kapal 2 tidak teridentifikasi
melakukan IUU Fishing

B. Skenario Sistem Pengambilan Keputusan IUU

Transhipment
Pembangkitan data posisi 2 kapal dilakukan pada titik
koordinat 1,1415 ° dan longitude 102,8318° sampai latitude
1,3044° dan longitude 104,4309°. Titik koordinat tersebut
merupakan titik koordinat pada Perairan Batam. Kapal ikan
tersebut digunakan untuk pembangkitan data seolah-olah
melakukan kegiatan IUU Transhipment didaerah tersebut.
Pelatihan dilakukan untuk 3 trayektori kapal transhipment
Gambar 13. Trayektori ke-3 untuk kapal 1 dan kapal 2 sedang melakukan
yang berbeda-beda dengan variasi variabel masukan yang transhipment (Overtake)
berbeda-beda pula (pola parameter ship collision) dan 3
trayektori kapal tidak melakukan IUU Transhipment . Dalam
proses uji digunakan 6 trayektori dapat dilihat pada gambar
berikut:

Gambar 14. Trayektori ke-4 untuk kapal 1 dan kapal 2 sedang melakukan
transhipment (Crossing)
 6

Hidden
No Input
Node
Regresi Goal MSE Epoch
10 6 10 1 0,02 2,56E-22 14
11 6 11 1 0,02 1,35E-22 6
12 6 12 1 0,02 1,31E-17 37
13 6 13 1 0,02 2,54E-20 6
14 6 14 1 0,02 2,13E-16 13
15 6 15 1 0,02 1,04E-19 14
16 6 16 1 0,02 2,23E-17 5
17 6 17 1 0,02 5,02E-17 5
18 6 18 1 0,02 9,32E-18 5
Gambar 15. Trayektori ke-5 untuk kapal 1 dan kapal 2 tidak sedang 19 6 19 1 0,02 2,47E-20 5
melakukan transhipment 20 6 20 1 0,02 3,92E-22 6

Penambahan hidden node pada awalnya akan

menghasilkan nilai error yang lebih kecil, namun apabila
penambahan hidden node yang terlalu banyak akan
menghambat laju sistem tersebut. Hal tersebut akan membuat
performansi yang diinginkan akan menurun drastis. Apabila
ditinjau dari nilai epoch yang dibutuhkan untuk mencapai
setpoint, penambahan hidden node dapat mempercepat proses
iterasi saat arsitektur yang dirancang masih jauh dari nilai
optimum yang telah ditentukan. Namun, apabila arsitektur
sudah mendekati nilai optimum yang telah ditentukan maka
penambahan hidden node tidak terlalu berpengaruh. Hal
tersebut akan didapatkan dengan komposisi penyusunan
Gambar 16. Trayektori ke-6 untuk kapal 1 dan kapal 2 tidak sedang
hidden node yang sesuai sehingga untuk mendapatkan
melakukan transhipment arsitektur terbaik maka dibutuhkan komposisi beberapa
hidden node.
C. Hasil Pelatihan dan Evauasi JST
1. Hasil Pelatihan JST untuk Data IUU Fishing
Pelatihan terhadap model JST dengan 6 variabel
masukan, variasi jumlah hidden node 1-20 dan nilai goal atau
target adalah 2%. Pelatihan tersebut memberikan hasil seperti
yang ditunjukkan pada Tabel 1 dimana JST yang memiliki
keluaran sistem pengambilan keputusan terbaik adalah JST
dengan 8 hidden node menghasilkan MSE terbaik dengan
nilai minimum sebesar 1,22E-24, 7 epoch (proses iterasi
berhenti ketika nilai mse terbaik telah tercapai di epoch ke-7)
dan nilai regresi 1. Hasil tersebut akan digunakan untuk
proses validasi JST yang dipanggil dengan perintah “load
netbest.mat”.
Tabel 1. Nilai MSE training JST IUU Fishing dengan variasi hidden node
Hidden
No Input
Node
Regresi Goal MSE Epoch
Gambar 17. Plot performance training pada hidden node ke-8
1 6 1 1 0,02 8,58E-12 87
2 6 2 1 0,02 2,49E-12 106
3 6 3 1 0,02 2,19E-11 58
4 6 4 1 0,02 2,20E-20 12
5 6 5 1 0,02 9,20E-21 68
6 6 6 1 0,02 7,36E-20 5
7 6 7 1 0,02 5,70E-16 35
8 6 8 1 0,02 1,22E-24 7 Gambar 18. Arsitektur JST dengan konfigurasi 6 – 8 – 1
9 6 9 1 0,02 1,18E-22 6
 7

Gambar 18 menunjukkan model JST yang dipilih untuk bahwa program pelatihan JST tersebut berjalan dengan sistem
keperluan pengujian. JST tersebut memiliki 6 variabel yang valid.
masukan, 8 hidden node dan 1 variabel keluaran sehingga
konfigurasi JST tersebut adalah 6 – 8 – 1. Hasil arsitektur 2. Hasil Pelatihan JST untuk Data IUU Transhipment
tersebut sudah cukup untuk digunakan pada proses Pelatihan terhadap model JST dengan 6 variabel
pengenalan trayektori IUU Fishing. masukan, variasi jumlah hidden node 1-20 dan nilai goal
Berdasarkan pelatihan Levenberg-Marquardt (trainlm) (error maksimal yang telah ditentukan) adalah 2%. Pelatihan
yang terdapat pada script Matlab, training akan berhenti tersebut memberikan hasil seperti yang ditunjukkan pada
ketika salah satu dari enam kondisi penghentian tercapai Tabel 3 dimana JST yang memiliki keluaran sistem
sebagai berikut: pengambilan keputusan terbaik adalah JST dengan 1 hidden
1. Epoch = 7 node menghasilkan MSE terbaik dengan nilai minimum
2. Performance = 1,22E-24 sebesar 9,96E-15, 1 epoch (proses iterasi berhenti ketika nilai
3. Gradient = 4,15E-13 mse terbaik telah tercapai di epoch ke-1) dan nilai regresi 1.
4. Mu = 1,00E-10 Hasil tersebut akan digunakan untuk proses validasi JST yang
5. Validation Check = 0 dipanggil dengan perintah “load netbest.mat”
Nilai performansi dari iterasi yang dilakukan oleh sistem Tabel 3. Nilai MSE training JST IUU Transhipment dengan variasi hidden node
ditunjukkan pada Gambar 17 dimana adanya perubahan yang Hidden
signifikan pada iterasi ke-7. Hal tersebut menunjukan bahwa No Input Regresi Goal MSE Epoch
Node
pengenalan trayektori dalam jaringan syaraf tiruan dapat 1 6 1 1 0,02 9,96E-15 17
dikenali dalam training yang cepat. Sistem pelatihan JST 2 6 2 1 0,02 1,78E-14 16
memiliki keluaran sistem pengambilan keputusan terbaik 3 6 3 1 0,02 2,39E-11 36
adalah 8 hidden node menghasilkan MSE terbaik dengan nilai 4 6 4 1 0,02 1,18E-14 16
minimum sebesar 1,22E-24 pada iterasi ke-7. Sehinga untuk
5 6 5 1 0,02 2,39E-14 15
mencapai target sebesar 0,02 dibutuhkan iterasi sebanyak 7
6 6 6 1 0,02 5,59E-12 49
epoch dengan error sebesar 1,22E-24.
7 6 7 1 0,02 1,73E-11 199
Selain meninjau nilai performansi dan error, simulasi
pada JST juga menghasilkan nilai regresi data. Nilai regresi 8 6 8 1 0,02 1,89E-10 118
tersebut menunjukan kedekatan hubungan antara beberapa 9 6 9 1 0,02 1,33E-10 163
variabel yang dimasukkan. Hasil perancangan menunjukan 10 6 10 1 0,02 3,68E-11 200
nilai regresi sebesar 1. Nilai tersebut menunjukan nilai 11 6 11 1 0,02 4,15E-10 200
kedekatan yang baik pada sistem tersebut. 12 6 12 1 0,02 4,78E-11 200
13 6 13 1 0,02 1,37E-08 200
Tabel 1. Hasil training dengan arsitektur 6-8-1
14 6 14 1 0,02 2,55E-10 130
No Variabel Masukan
Nilai Nilai 15 6 15 1 0,02 1,89E-12 31
d Vs Vh dx dy
j Traget Hasil 16 6 16 1 0,02 3,93E-10 200
(m) (knot) (knot) (o) (o)
1 1447 0,38 0,09 0,00 0,00 1 1 1 17 6 17 1 0,02 1,22E-10 148
2 1447 0,38 0,09 0,00 0,00 1 1 1 18 6 18 1 0,02 5,49E-11 47
3 1447 0,38 0,09 0,00 0,00 1 1 1 19 6 19 1 0,02 1,62E-11 52
4 1447 0,38 0,09 0,00 0,00 1 1 1 20 6 20 1 0,02 1,70E-10 200
5 1447 0,38 0,09 0,00 0,00 1 1 1
... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... Penambahan hidden node pada awalnya akan
... ... ... ... ... ... ... ... ... menghasilkan nilai error yang lebih kecil, namun apabila
... ... ... ... ... ... ... ... ... penambahan hidden node yang terlalu banyak akan
177 17354 5,78 6,05 0,00 0,00 1 0 0 menghambat laju sistem tersebut. Hal tersebut akan membuat
performansi yang diinginkan akan menurun drastis. Apabila
Pada Program JST telah ditentukan nilai target 1 dengan ditinjau dari nilai epoch yang dibutuhkan untuk mencapai
nilai keluaran JST 0,51-1 untuk setiap data IUU Fishing dan setpoint, penambahan hidden node dapat mempercepat proses
nilai target 0 dengan nilai keluaran JST 0-0,50 untuk setiap iterasi saat arsitektur yang dirancang masih jauh dari nilai
data bukan IUU Fishing. Sistem pengambilan keputusan optimum yang telah ditentukan. Namun, apabila arsitektur
dengan metode JST akan berjalan dengan baik jika akurasi sudah mendekati nilai optimum yang telah ditentukan maka
pada sistem >50%. Hasil training JST dari Tabel 2 (hasil/nilai penambahan hidden node tidak terlalu berpengaruh. Hal
keluaran pelatihan JST pada data 1-177) menjelaskan bahwa tersebut akan didapatkan dengan komposisi penyusunan
nilai akurasi sistem yang didapatkan sebesar 100 % artinya hidden node yang sesuai sehingga untuk mendapatkan
hasil keluaran sistem JST dengan nilai target yang telah arsitektur terbaik maka dibutuhkan komposisi beberapa
ditentukan bernilai sama untuk semua data. Ini menunjukkan hidden node.
 8

variabel yang dimasukkan. Hasil perancangan menunjukan

nilai regresi sebesar 1. Nilai tersebut menunjukan nilai
kedekatan yang baik pada sistem tersebut.

Tabel 4. Hasil training dengan arsitektur 6-1-1

No Variabel Masukan
Nilai Nilai
d V1 V2 h12 j12
j Traget Hasil
(m) (knot) (knot) (o ) (m)
1 511 -0,26 0,11 160 -26 1 1 1
2 469 -0,26 0,11 160 -26 1 1 1
3 418 -0,26 0,11 160 -26 1 1 1
4 369 -0,26 0,11 160 -26 1 1 1
5 306 -0,26 0,11 160 -26 1 1 1
... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ...
Gambar 19. Plot performance training pada hidden node ke-1 ... ... ... ... ... ... ... ... ...
120 197 0,11 0,13 160 -27 1 0 0

Pada Program JST telah ditentukan nilai target 1 dengan

Gambar 20. Arsitektur JST dengan konfigurasi 6 – 1 – 1
Gambar 20 menunjukkan model JST yang dipilih untuk
keperluan pengujian. JST tersebut memiliki 6 variabel
masukan, 1 hidden node dan 1 variabel keluaran sehingga
konfigurasi JST tersebut adalah 6 – 1 – 1. Konfigurasi JST 6-
1-1 merupakan arsitektur terbaik yang akan digunakan pada
proses pengenalan trayektori IUU Transhipment
Berdasarkan pelatihan Levenberg-Marquardt (trainlm)
yang terdapat pada script Matlab, training akan berhenti
ketika salah satu dari enam kondisi penghentian tercapai
sebagai berikut:
1. Epoch = 17
2. Performance = 9,96E-15
3. Gradient = 4,46E-08
4. Mu = 1,00E-16
5. Validation Check = 0
Nilai performansi ditunjukan pada Gambar 19 dimana
dari iterasi yang dilakukan oleh sistem menunjukan adanya
perubahan yang signifikan pada iterasi ke-17. Hal tersebut
menunjukan bahwa pengenalan trayektori dalam jaringan
syaraf tiruan dapat dikenali dalam training yang cepat. Sistem
pelatihan JST memiliki keluaran sistem pengambilan
keputusan terbaik adalah 1 hidden node menghasilkan MSE
terbaik dengan nilai minimum sebesar 9,96E-15 pada iterasi
ke-17. Sehinga untuk mencapai target sebesar 0,02
dibutuhkan iterasi sebanyak 17 epoch dengan error sebesar
9,96E-15.
Selain meninjau nilai performansi dan error, simulasi
pada JST juga menghasilkan nilai regresi data. Nilai regresi
tersebut menunjukan kedekatan hubungan antara beberapa
nilai keluaran JST 0,51-1 untuk setiap data IUU Transhipment
dan nilai target 0 dengan nilai keluaran JST 0-0,50 untuk
setiap data bukan IUU Transhipment. Sistem pengambilan
keputusan dengan metode JST akan berjalan dengan baik jika
akurasi pada sistem >50%. Hasil training JST dari Tabel 4
(hasil keluaran pelatihan JST pada data 1-120) menjelaskan
bahwa nilai akurasi sistem yang didapatkan sebesar 100 %
artinya hasil keluaran sistem JST dengan nilai target yang
telah ditentukan bernilai sama untuk semua data. Ini
menunjukkan bahwa program pelatihan JST tersebut berjalan
dengan sistem yang valid.
D. Validasi Jaringan Syaraf Tiruan
1. Analisis Sistem Pengambilan Keputusan Menggunakan
Data Real Kapal Cantrang
Validasi sistem pengambil keputusan IUU Fishing
diterapkan pada kapal ikan tanpa nama dengan MMSI number
525200149 (Kapal 1) yang tertangkap melakukan IUU fishing
pada daerah uji. Gambar 21 menunjukan posisi awal kapal 1
yaitu 1,17102 untuk latitude dan 103,7149 untuk longitude
dengan trayektori melingkar. Kapal ikan diketahui melakukan
setting pada titik ke-1 sampai titik ke-8. Kapal ikan
melakukan hauling pada titik ke-9 sampai titik ke-17.
Gambar 21. Plot trayektori Kapal Ikan Cantrang
 9

Variabel input yang digunakan untuk sistem pengambil Tabel 2 Hasil validasi JST Kapal Cantrang
keputusan dari hasil analisis adalah sebagai berikut: Variabel Masukan
Nilai Nilai
Posisi Awal (Latitude) : 1,17102o No d Vs Vh dx dy
j Traget Hasil
Posisi Awal (Longitude) : 103,7149o (m) (knot) (knot) (o) (o )
Kecepatan (Setting) : 0,93 knot 1 898 0,93 0,01 0,00 0,00 1 1 0,96
Kecepatan (Hauling) : 0,01 knot 2 898 0,93 0,01 0,00 0,00 1 1 0,96
Perubahan Posisi (Latitude) : -0,47 3 898 0,93 0,01 0,00 0,00 1 1 0,96
Perubahan Posisi (Longitude) : 0,00 4 898 0,93 0,01 0,00 0,00 1 1 0,96
5 898 0,93 0,01 0,00 0,00 1 1 0,96
Perubahan kecepatan kapal ikan tanpa nama dengan 6 898 0,93 0,01 0,00 0,00 1 1 0,96
MMSI number 525200149 yang mengindikasikan suatu 7 898 0,93 0,01 0,00 0,00 1 1 0,96
trayektori tahapan penangkapan ikan yang mirip dengan 8 891 0,93 0,01 0,00 0,00 1 1 0,96
trayektori kecepatan untuk kapal ikan jenis catrang. 9 891 0,93 0,01 0,00 0,00 1 1 0,96
Kecepatan kapal ketika melakukan setting cenderung lebih 10 891 0,93 0,01 0,00 0,00 1 1 0,96
tinggi dibanding dengan kecepatan kapal saat melakukan 11 891 0,93 0,01 0,00 0,00 1 1 0,96
hauling. Trayektori pergerakan kapal cenderung melingkar 12 891 0,93 0,01 0,00 0,00 1 1 0,96
sama seperti pergerakan kapal cantrng. Hal-hal tersebut 13 891 0,93 0,01 0,00 0,00 1 1 0,96
menjadi indikator yang semakin memperkuat terjadinya 14 891 0,93 0,01 0,00 0,00 1 1 0,96
15 902 0,93 0,01 0,00 0,00 1 1 0,96
illegal fishing pada kapal ikan tanpa nama dengan MMSI
16 932 0,93 0,01 0,00 0,00 1 1 0,96
number 525200149.
17 1022 0,93 0,01 0,00 0,00 1 1 0,96

Hal ini membuktikan bahwa hasil yang diperoleh dari

sistem pengambilan keputusan yang telah dirancang sudah
cukup valid karena sesuai dengan realita dan relevan untuk
digunakan sebagai alat bantu dalam pengawasan terhadap
kapal-kapal yang melakukan Illegal Fishing di perairan
Indonesia.

2. Analisis Sistem Pengambilan Keputusan Menggunakan

Gambar 22. Grafik keluaran JST dan target pada validasi ke-1 (IUU Fishing)
Data Real Bukan Kapal Cantrang
Validasi sistem pengambil keputusan IUU Fishing
diterapkan pada kapal ikan tanpa nama dengan MMSI number
563035930 (Kapal 1) dimana bukan jenis Kapal Cantrang
pada daerah uji. Gambar 23 menunjukan trayektori kapal
dengan arah tidak beraturan yang diketahui melakukan setting
pada titik ke-1 sampai titik ke-10 dan hauling pada titik ke-11
sampai titik ke-20.

Gambar 22 merupakan grafik hasil keputusan JST ketika

program dijalankan dan didapatkan nilai RMSE sebesar
0,041537 dimana bernilai 1 untuk target terjadi IUU Fishing
dengan nilai hasil keluaran terletak diantara 0,955-0,960.
Hasil menunjukkan jika kapal ikan tanpa nama dengan MMSI
number 525200149 adalah kapal berjenis cantrang yang
terbukti melakukan Ilegal Fishing. Hasil validasi
menunjukkan kesesuaian antara keluaran sistem pengambil
keputusan dengan data real kapal ikan.
Nilai akurasi yang didapatkan dengan cara 100%
dikurangi nilai error. Dimana berdasarkan data di Tabel 5
nilai akurasinya adalah 95,85%.
Gambar 23. Plot trayektori bukan Kapal Cantrang

Error I =
Variabel input yang digunakan untuk sistem pengambil
Error I = 4,15% keputusan dari hasil analisis adalah sebagai berikut:
Akurasi I = 100% -4,15% = 95,85% Posisi Awal (Latitude) : 1,171124o
 10

Posisi Awal (Longitude) : 103,70957o Variabel Masukan

Nilai Nilai
Kecepatan (Setting) : 0 knot No d Vs Vh dx dy
j Traget Hasil
Kecepatan (Hauling) : 0,05 knot (m) (knot) (knot) (o) (o)
Perubahan Posisi (Latitude) : 0 o 8 883 0,00 0,05 0,00 0,00 1 0 0,35
Perubahan Posisi (Longitude) : 0 o 9 824 0,00 0,05 0,00 0,00 1 0 0,35
10 804 0,00 0,05 0,00 0,00 1 0 0,35
Perubahan kecepatan kapal ikan tanpa nama dengan 11 806 0,00 0,05 0,00 0,00 1 0 0,35
MMSI number 563035930 yang tidak mengindikasikan suatu 12 807 0,00 0,05 0,00 0,00 1 0 0,35
trayektori tahapan penangkapan ikan yang mirip dengan 13 921 0,00 0,05 0,00 0,00 1 0 0,35
trayektori kecepatan untuk kapal ikan jenis catrang. 14 918 0,00 0,05 0,00 0,00 1 0 0,35
Kecepatan kapal ketika melakukan setting cenderung rendah 15 926 0,00 0,05 0,00 0,00 1 0 0,35
daripada kecepatan kapal saat melakukan hauling. Trayektori 16 914 0,00 0,05 0,00 0,00 1 0 0,35
pergerakan kapal tidak melingkar mengidentifikasikan bukan 17 905 0,00 0,05 0,00 0,00 1 0 0,35
pergerakan Kapal Cantrang. Hal-hal tersebut menjadi 18 897 0,00 0,05 0,00 0,00 1 0 0,35
indikator yang semakin memperkuat tidak terjadinya illegal 19 896 0,00 0,05 0,00 0,00 1 0 0,35
20 888 0,00 0,05 0,00 0,00 1 0 0,35
fishing pada kapal ikan tanpa nama dengan MMSI number
563035930. Hal ini membuktikan bahwa hasil yang diperoleh dari
sistem pengambilan keputusan yang telah dirancang sudah
cukup valid karena sesuai dengan realita dan relevan untuk
digunakan sebagai alat bantu dalam pengawasan terhadap
kapal-kapal yang melakukan atau tidak melakukan Illegal
Fishing di perairan Indonesia.
3. Analisis Sistem Pengambilan Keputusan Menggunakan
Data Real Kapal Transhipment
Validasi sistem pengambil keputusan IUU Transhipment
diterapkan pada Kapal Cargo dengan MMSI number
525003620 (kapal 1) dan 525018070 (kapal 2) yang sedang
melakukan transhipment pada perairan Selat Madura dengan
trayektori yang dapat dilihat pada Gambar 25 dimana pada
Gambar 24 Grafik keluaran JST dan target pada validasi ke-2 (Bukan IUU data ke-11 kapal 1 dan kapal 2 semakin mendekat dengan
Fishing) jenis heading adalah overtake.

Gambar 24 merupakan grafik hasil keputusan JST ketika

program dijalankan dan didapatkan nilai RMSE sebesar 0,348
dimana bernilai 0 untuk target tidak terjadi IUU Fishing
dengan nilai hasil keluaran sebesar 0,36. Sistem pengambilan
keputusan JST menyatakan tidak terjadi IUU Fishing
Nilai akurasi yang didapatkan dengan cara 100%
dikurangi nilai error. Dimana berdasarkan data di Tabel 6
nilai akurasinya adalah 95,85%.

Error II= =
Eror II = 34,80%
Akurasi II = 100%-34,80% = 65,20% Gambar 25. Grafik trayektori pergerakan kapal transhipment
(MMSI number 525003620 dan 525018070)
Tabel 3 Hasil validasi JST Bukan Kapal Cantrang
Variabel Masukan Di bawah ini adalah sortir awal kapal 1 dan kapal 2:
Nilai Nilai Selisih Heading (Sortir) : 00 (Overtake)
No d Vs Vh dx dy
j Traget Hasil Jarak I (Sortir) : 448 meter
(m) (knot) (knot) (o) (o)
1 851 0,00 0,05 0,00 0,00 1 0 0,35
Di bawah ini adalah hasil perhitungan untuk menentukan
2 851 0,00 0,05 0,00 0,00 1 0 0,35
3 850 0,00 0,05 0,00 0,00 1 0 0,35 validasi kapal tersebut akan transhipment atau tidak:
4 850 0,00 0,05 0,00 0,00 1 0 0,35 Jarak II : 15 meter
5 854 0,00 0,05 0,00 0,00 1 0 0,35 Heading : 00 (Overtake)
6 880 0,00 0,05 0,00 0,00 1 0 0,35 Perubahan kecepatan kapal 1 : -0,21 knot (Negatif)
7 874 0,00 0,05 0,00 0,00 1 0 0,35 Perubahan kecepatan kapal 2 : -0,14 knot (Negatif)
 11

Perubahan Jarak 2 kapal :-43,27 meter (Negatif) Variabel Masukan

Nilai Nilai
No d V1 V2 h12 j12
Bila dilakukan analisis lebih jauh terhadap masing- j Traget Hasil
(m) (knot) (knot) (o ) (m)
masing masukan pada sistem pengambilan keputusan sistem 4 287 -0,21 -0,14 0 -43 1 1 0,68
JST, sudah menunjukkan dengan jelas bahwa 2 kapal tersebut 5 35 -0,21 -0,14 0 -43 1 1 0,68
memang melakukan transhipment. Dari jarak akhir kedua 6 39 -0,21 -0,14 0 -43 1 1 0,68
kapal yang mendekat (jarak 15 meter), kecepatan kapal 1 7 17 -0,21 -0,14 0 -43 1 1 0,68
yang semakin berkurang (Perubahan kecepatan kapal 1 8 14 -0,21 -0,14 0 -43 1 1 0,68
bernilai negatif) dan kapal 2 yang juga semakin berkurang 9 49 -0,21 -0,14 0 -43 1 1 0,68
(Perubahan kecepatan kapal 2 bernilai negatif), serta jarak 10 21 -0,21 -0,14 0 -43 1 1 0,68
kedua kapal yang semakin mendekat (perubahan jarak 2 kapal 11 23 -0,21 -0,14 0 -43 1 1 0,68
bernilai negatif) juga hal lain yang memperkuat trayektori Ini membuktikan bahwa hasil yang diperoleh dari sistem
transhipment. Hal penting lainnya adalah posisi heading pengambilan keputusan yang telah dirancang sudah cukup
(overtake) kedua kapal yang sejajar sesaat sebelum kapal valid karena sesuai dengan realita dan relevan untuk
benar-benar melakukan transhipment. digunakan sebagai alat bantu dalam pengawasan terhadap
kapal-kapal yang melakukan Illegal Transhipment di perairan
Indonesia.

4. Analisis Sistem Pengambilan Keputusan Menggunakan

Data Real Bukan Kapal Transhipment
Validasi sistem pengambil keputusan bukan IUU
Transhipment diterapkan pada Kapal Cargo dengan MMSI
number 371016000 (Kapal 1) dan 636012796 (Kapal 2) yang
tidak sedang melakukan transhipment pada perairan Batam
dengan trayektori yang dapat dilihat pada Gambar 27 dimana
pada data ke-13 pada kapal 1 dan kapal 2 semakin menjauh.

Gambar 26. Grafik keluaran JST dan target pada validasi ke-1 (IUU
Transhipment)

Gambar 26 merupakan grafik hasil keputusan JST ketika

program dijalankan dan didapatkan nilai RMSE sebesar
0,32251. Sistem pengambilan keputusan JST menyatakan
terjadinya IUU Transhipment dimana bernilai 1 untuk target
terjadi IUU Transhipment dengan nilai hasil keluaran terletak
diantara 0,70-0,65. kapal dengan MMSI number 525003620 Gambar 27. Grafik trayektori pergerakan bukan kapal transhipment ( MMSI
terbukti telah melakukan transhipment ke kapal dengan number 371016000 dan 636012796)
MMSI number 525018070.
Di bawah ini adalah sortir awal kapal 1 dan kapal 2:
Nilai akurasi yang didapatkan dengan cara 100%
Selisih Heading (Sortir) : -1570
dikurangi nilai error. Dimana berdasarkan data di Tabel 7
Jarak I (Sortir) : 412 meter
nilai akurasinya adalah 67,75%.
Di bawah ini adalah hasil perhitungan untuk validasi
kedua kapal tersebut akan transhipment atau tidak ketika
Error I = ⎸ = keadaan akhir:
32,25% Jarak II : 130 meter
Akurasi I = 100%-32,25% = 67,75% Heading : -2070
Tabel 4. Hasil validasi JST kapal transhipment Perubahan kecepatan kapal 1 : -0,46 knot (Negatif)
Variabel Masukan Perubahan kecepatan kapal 2 : 0,17 knot
Nilai Nilai Perubahan Jarak 2 kapal :-23 meter (Negatif)
No d V1 V2 h12 j12
j Traget Hasil
(m) (knot) (knot) (o) (m)
Bila dilakukan analisis lebih jauh terhadap masing-
1 448 -0,21 -0,14 0 -43 1 1 0,68
masing masukan pada sistem pengambilan keputusan sistem
2 448 -0,21 -0,14 0 -43 1 1 0,68
3 672 -0,21 -0,14 0 -43 1 1 0,68
JST, sudah menunjukkan dengan jelas bahwa 2 kapal tersebut
 12

tidak melakukan transhipment. Dari kecepatan kapal 1 yang Variabel Masukan

rendah (ditunjukan dengan nilai V1 negatif) dan kapal 2 yang V2 Nilai Nilai
No d V1 h12 j12
tinggi (ditunjukan dengan nilai V2 positif) adalah salah satu (kn j Traget Hasil
(m) (knot) (o) (m)
yang memperkuat kedua kapal ini tidak melakukan ot)
transhipment. Posisi kedua kapal yang semakin mendekat 7 592 -0,46 0,17 -203 -23 1 0 0,15
8 589 -0,46 0,17 -200 -23 1 0 0,16
(perubahan jarak 2 kapal bernilai negatif) namun jaraknya
9 617 -0,46 0,17 -196 -23 1 0 0,16
sangat jauh (130 meter). Hal penting lainnya adalah heading 2
10 660 -0,46 0,17 -211 -23 1 0 0,14
kapal yang tidak sejajar tidak masuk dalam aturan ship
11 409 -0,46 0,17 -210 -23 1 0 0,14
collision (Head on, Crossing dan overtake). 12 633 -0,46 0,17 -207 -23 1 0 0,15
13 130 -0,46 0,17 -207 -23 1 0 0,15

Ini membuktikan bahwa hasil yang diperoleh dari sistem

pengambilan keputusan yang telah dirancang sudah cukup
valid karena sesuai dengan realita dan relevan untuk
digunakan sebagai alat bantu dalam pengawasan terhadap
kapal-kapal yang melakukan atau tidak melakukan Illegal
Transhipment di perairan Indonesia.

a. Akurasi untuk Validasi Sistem Pengambilan Keputusan

IUU Fishing
Nilai akurasi total adalah 80,53% yang didapatkan
dengan cara mencari nilai rata-rata akurasi pada proses
validasi menggunakan JST pelatihan IUU Fishing, dengan
perhitungan sebagai berikut:
Akurasi I = 95,85 %
Gambar 28. Grafik keluaran JST dan target pada validasi (bukan IUU
Transhipment) Akurasi II = 65,20 %

Akurasi Total =
Gambar 28 merupakan grafik hasil keputusan JST ketika
program dijalankan dan didapatkan nilai RMSE sebesar 0,181. =
Sistem pengambilan keputusan JST menyatakan tidak
terjadinya IUU Transhipment dimana bernilai 0 untuk target Akurasi Total = 80,53%
tidak terjadi IUU Transhipment dengan nilai hasil keluaran Hasil akurasi dari validasi dengan menggunakan
terletak diantara 0,10-0,25. kapal dengan MMSI number pelatihan JST IUU Fishing adalah sebesar 80,53%. Nilai
525003620 terbukti tidak melakukan transhipment ke kapal akurasi tersebut sudah baik karena menunjukan nilai >50%.
dengan MMSI number 525018070.
Nilai akurasi yang didapatkan dengan cara 100% b. Akurasi untuk Validasi Sistem Pengambilan
dikurangi nilai error. Dimana berdasarkan data di Tabel 8
nilai akurasinya adalah 67,75%. Keputusan IUU Transhipment
Nilai akurasi total didapatkan dengan cara mencari nilai
rata-rata akurasi pada proses validasi menggunakan JST
Error II = = pelatihan IUU Transhipment, dengan perhitungan sebagai
Error II = 17,74% berikut:
Akurasi II = 100%-17,74% = 82,26% Akurasi I = 67,75 %
Tabel 5. Hasil validasi JST bukan kapal transhipment Akurasi II = 82,26 %
Variabel Masukan
V2 Nilai Nilai Akurasi Total =
No d V1 h12 j12
(kn j Traget Hasil
(m) (knot) (o) (m)
ot) Akurasi Total =
1 412 -0,46 0,17 -157 -23 1 0 0,21
2 434 -0,46 0,17 -154 -23 1 0 0,22 Akurasi Total = 75,01%
3 490 -0,46 0,17 -151 -23 1 0 0,22
4 502 -0,46 0,17 -149 -23 1 0 0,23 Hasil akurasi dari validasi dengan menggunakan
5 527 -0,46 0,17 -147 -23 1 0 0,23 pelatihan JST IUU Transhipment adalah sebesar 67,75%.
6 593 -0,46 0,17 -203 -23 1 0 0,15

Nilai akurasi tersebut sudah baik karena menunjukan
nilai >50%.
IV. KESIMPULAN
Kesimpulan yang dapat diambil dari hasil penelitian ini
adalah sebagai berikut:
1. Arsitektur JST dengan performansi terbaik adalah
konfigurasi 6-8-1 untuk pelatihan IUU Fishing dan 6-1-1
untuk pelatihan IUU Transhipment.
2. Jenis JST yang digunakan adalah Backpropagation
levenberg Marquard (LM) yang mampu menghasilkan
sistem keputusan terbaik. Sitem berhasil
mengidentifikasikan dengan akurasi tinggi dibuktikan
dengan keluaran hasil validasi mencapai 80,53% dengan
menggunakan hasil pelatihan JST untuk IUU Fishing
serta 75,01% dengan menggunakan hasil pelatihan JST
untuk IUU Transhipment.
DAFTAR PUSTAKA
3. Alif, A. N. (2016). Perancangan Sistem Pengambilan Keputusan
Berbasis Data Automatic Identification System (AIS) untuk
Identifikasi Terjadinya Illegal Transhipment Menggunakan
Logika Fuzzy. ITS, Surabaya.
4. Amelia Hudayana, T. N. U. (2017). Analisis Kebijakan Larangan
Transhipment (Alih Muat) Tangkapan Perikanan Terhadap
Kinerja Usaha Penangkapan Ikan Kapal Long Line (Studi Kasus
Pelabuhan Perikanan Samudera Nizam Zachman DKI Jakarta),
5(01), 78–89.
5. Armawanti, Safira (2017). Potensi Dampak Pelarangan Cantrang
Ditinjau dari Segi Perekonomian Masyarakat di PPP Tasikagung
Rembang. Institut Pertanian Bogor.
6. Aulia Siti Aisjah, A.A. Masroeri, Yusuf Santoso, Syamsul Arifin,
A. N. A. (2017). A Fuzzy Decision Support System Of IUU-
Transhipment in Indonesia. In Senta 2017 (pp. 1–8). Surabaya:
FTK ITS.
7. Aulia Siti Aisjah, A.A Masroeri, M. Y. S. (2013). Pemetaan Pola
Gerak Illegal Fishing dan Transhipment pada Vessel Monitoring
System Berdasarkan Data AIS (Vol. 2). Surabaya.
8. AuliaSiti Aisjah, A.A, Masroeri, Syamsul Arifin, S. (2011).
Perancangan Sistem Pengendalian pada Kapal Berbasis Data AIS
(Automatic Identification System) untuk Menghindari Tabrakan di
Perairan Tanjung Perak Surabaya. In Seminar Nasional (SENTA)
2011 (pp. 1–10). Surabaya: FTK ITS.
9. BPK. (2016). Audit IUU Fishing. Road Map E-Commerce.
10. Budiarto, U. (2004). Perencanaan kapal ikan untuk nelayan daerah
tegal. Purse Seine, 157–166.
11. Dani, M. (2017). Pengembangan Perancangan Sistem
Pengambilan Keputusan Berbasis Data AIS dan Rasar untuk
Identifikasi IUU Fishing Menggunakan Logika Fuzzy. ITS.
12. Fransisko, I. (2016). Perancangan Sistem Pengambilan Keputusan
Berbasis Data Automatic Identification System (AIS) untuk
Identifikasi Terjadinya Illegal Unregulated Unreported (IUU)
Fishing Menggunakan Logika Fuzzy. ITS.
13. Gustina, A. (2013). Analisis Transhipment Pasal 69 Ayat ( 3 )
Peraturan Menteri Kelautan Perikanan No . 30 Tahun 2012
Tentang Usaha Perikanan Tangkap, 10(30), 340–349.
14. Harto, D., Sarosa, M., & Suprapto, W. (2012). Aplikasi Jaringan
Syaraf Tiruan untuk Mendeteksi White Spot. EECCIS, 6(1), 75–
82.
15. Kementrian Kesehatan Republik Indonesia. (2018). Kenali
Cantrang , Alat Tangkap Ikan yang Dilarang. In Kenali Cantrang,
Alat Tangkap Ikan yang Dilarang (pp. 1–7). Retrieved from
https://kominfo.go.id/index.php/content/detail/9753/kenali-
cantrang-alat-tangkap-ikan-yang-dilarang/0/artikel_gpr
13
16. KKP. (2005). Mina Bahari. Pusat Data, Statistik, Dan Informasi
Kementrian Kelautan Dan Perikanan, p. 82.
17. KKP. (2014). Laut masa depan bangsa.
18. KKP. (2015). Laporan kinerja satu tahun kementerian kelautan
dan perikanan 1.
19. KKP Republik Indonesia. (2015). Keputusan Menteri Kelautan
dan Perikanan Republik Indonesia Nomor 3A/KEPMEN-KP/2015.
20. Lewerissa, Y. A. (2010). Praktek Illegal Fishing Di Perairan
Maluku Sebagai Bentuk Kejahatan Ekonomi. Sasi, 16(3), 61–68.
21. Purnama, R. H., & Wahju, R. I. (2016). ESTIMASI KEGIATAN
ALIH MUAT PADA KAPAL RAWAI TUNA BERDASARKAN
DATA VMS DAN KOMPOSISI HASIL TANGKAPAN
Transshipment Activites Estimation in Tuna Longliner Base on
VMS Data and Catch Composition Oleh :, 7(2), 179–189.
22. Risnain, M. (2017). Rekonsepsi Model Pencegahan dan
Pemberantasan Illegal Fishing di Indonesia, 4(62), 379–398.
23. Sasmita, S. (2013). Kesesuaian Desain dan Konstruksi Cantrang
pada Kapal 20 GT untuk Peningkatan Performa Operasional.
Kesesuaian Desain Dan Konstruksi Cantrang Pada Kapal 20 GT
Untuk Peningkatan Performa Operasional.
24. Siang, J. J. (2005). Jaringan Syaraf Tiruan Dan Pemrogramannya
Dengan Matlab. Yogyakarta: Andi.
25. Situmorang, K. P. (2017). Pengembangan Perancangan Sistem
Pengambilan Keputusan Berbasis Data Automatic Identification
System (AIS) dan Radar untuk Identifikasi Terjadinya Illegal
Transhipment Menggunakan Logika Fuzzy. ITS.
26. Suhery, N. (2010). Kajian Teknis Pengoperasian Cantrang Di
Perairan Brondong, Kabupaten Lamongan, Jawa Timur.
BIODATA PENULIS
Penulis memiliki nama lengkap Sarah Maulida,
dilahirkan di Karanganyar pada 31 Agustus 1994. Penulis
mengenyam pendidikan Taman Kanak-kanak di TK
Karangmojo pada tahun 2000-2001, lalu melanjutkan
pendidikan Sekolah Dasar di SDN 02 Karangmojo hingga
lulus pada tahun 2007. Pada tahun 2007 - 2010, penulis
bersekolah di SMP Negeri 1 Karanganyar, lalu pada tahun
2013, penulis menyelesaikan pendidikannya di SMA Negeri 1
Surakarta.
Penulis melanjutkan jenjang S1 di Jurusan Teknik
Fisika FTI – ITS melalui jalur Lintas Jalur 2016. Sebelumnya
penulis menempuh pendidikan D3 di Jurusan Metrologi &
Instrumentasi ITB. Semasa kuliah, penulis aktif di organisasi
baik didalam kampus maupun luar kampus seperti PSTK ITB,
KM ITB, Robotic ITS, SBBH Bandung, Sahabat Belajar
Surabaya. Selain itu, penulis juga pernah menjadi tutor untuk
mata pelajaran Fisika, Matematika di Juara Kelas. Pada tahun
2018, penulis berhasil menyelesaikan penelitian Tugas Akhir
dalam bidang Rekayasa Bahan yang berjudul “Perancangan
Integrasi Sistem Pengambilan Keputusan Berbasis Data
Automatic Identification System (AIS) untuk Pemodelan
Illegal Unregukated and Unreported (IUU) Fishing dan
Transhipment Menggunakan Jaringan Saraf Tiruan
(JST)”. Bagi pembaca yang ingin berdiskusi dengan penulis,
dapat mengubungi penulis melalui email:
sarahmaulidaok@gmail.com.
14