SHIP ENERGY EFFICIENCY MANAGEMENT PLAN DEVELOPMENT

USING MACHINE LEARNING: CASE STUDY OF CO2 EMISSIONS

OF SHIP ACTIVITIES AT CONTAINER PORT

AGIL THORIQ RAMADHANI (2020.02.2.0019)

Marine Engineering | Hang Tuah University

Outline
 Introduction
 Metode
 Result
 Conclusion
 Source

Outline 2
Introduction
• Ship Energy Efficiency Management Plan (SEEMP) adalah rencana penggunaan
energi kapal yang digunakan sebagai tonggak pengembangan efisiensi energi oleh
pemilik kapal dan harus mencerminkan upaya untuk meningkatkan efisiensi
energi kapal melalui empat langkah: perencanaan, implementasi, pemantauan,
evaluasi, dan perbaikan.
• Variabel emisi CO2 yang berpengaruh adalah pertimbangan Ship Energy Efficiency
Management Plan (SEEMP). Estimasi emisi C02 dimulai dari aktivitas kapal pada
saat kapal mendekati pelabuhan, yang meliputi manuver kapal dan sandar kapal.
• Machine learning merupakan metode yang mampu menganalisis kinerja sistem
yang ada, kemudian menentukan kondisi dan meningkatkan kinerja sistem
menjadi lebih akurat.

Introduction 3
 Metode
• Penelitian ini kemudian menggunakan Rapid Miner Studio versi 9.9 yang dikembangkan oleh perusahaan
RapidMiner untuk melakukan preprocessing data, pelatihan model pembelajaran mesin, dan validasi.
1. Analisis Data Kapal : Data mentah pelabuhan terdiri dari bulan, nama kapal, waktu berlabuh dan keberangkatan,
throughput, waktu manuver, waktu dalam kolam pelabuhan, waktu berlabuh, tonase kotor, daya mesin utama,
daya mesin bantu, emisi selama bermanuver, di kolam pelabuhan, dan berlabuh juga dengan jumlah total emisi
yang dihasilkan setiap kapal di pelabuhan tersebut. Karakteristik data yang dipilih sebagai variabel bebas untuk
mencari bobot kepentingan variabel adalah sebagai berikut:
a) Main engine power
b) Auxiliary engine power
c) Time in the port basin
d) Time during maneuvering
e) Breathing time

Metode 4
• Bottom-up merupakan salah satu metode yang dapat menghitung emisi gas buang kapal.
Bottom-up dipilih karena resolusi spasial dan temporal yang lebih tinggi dari analisis dinamik
kapal. Persamaan yang diperlukan untuk menghitung emisi kapal didasarkan pada ICF
International.

• Total emisi (Etotal ) kapal terdiri dari emisi mesin utama (Eme ). Dan Auxiliary Engine Emission
(Eae) diperlukan untuk menghitung emisi dari masing-masing mesin adalah waktu (T) dalam jam,
daya mesin (P), faktor beban (LF). ), dan faktor emisi (EF). Faktor emisi CO2 yang dipilih adalah
683 g/kWh dengan asumsi jenis bahan bakar yang digunakan adalah solar kecepatan sedang
(IPPC Tier 1). Faktor muatan kapal dibagi menjadi tiga selama bermanuver, yaitu cekungan
pelabuhan, dan berlabuh untuk setiap mesin utama dan mesin bantu.

Metode 5
• Persentase faktor beban untuk mesin induk dan mesin bantu yang dipilih dalam penelitian ini
untuk semua situasi tercantum pada Tabel 1 dan berdasarkan referensi yang diperoleh dari
wawancara dengan pengelola pelabuhan dan syahbandar

Metode 6
2. Machine Learning Model and Validation
Penelitian yang menggunakan gradient boosting regression (GBR), random forest (RF), BP
network (BP), regresi linier (LR), dan model k-nearest neighbor regression (KNN) menemukan
bahwa model random forest memiliki kinerja terbaik dibandingkan model model lain. Model
hutan acak dibuat dalam penelitian ini menggunakan perpustakaan RapidMiner Studio dengan
pengaturan default yang digunakan untuk melatih model dan memperkirakan faktor penting
emisi kapal. Setelah estimasi selesai, k-folds cross-validation diperlukan untuk memastikan
keakuratan model yang dibuat

Metode 7
Result
1. Random Forest Model Result and Variable Importance
Semua kapal yang menggunakan studi kasus dari pelabuhan peti kemas dari 2019
hingga 2020 dibagi menjadi dua set berdasarkan total emisi yang mereka keluarkan di
pelabuhan; yang lebih rendah dari total emisi rata-rata 10.788 kg CO2 diberi label di bawah rata-
rata, sedangkan kapal dengan total emisi lebih dari 10.788 diberi label di atas rata-rata.
a. Variable importance of ship emission
Gambar 1. Ditemukan tiga karakteristik data (manuver, in port basin, dan waktu berlabuh)
semuanya memiliki bobot kepentingan yang sama jika diukur dengan korelasi, perolehan
informasi, dan rasio perolehan informasi, seperti yang ditunjukkan pada Gambar 2, sementara
tenaga mesin utama dan mesin bantu memiliki kepentingan yang lebih rendah untuk kategori
emisi total.

Result 8
Result 9
Result 10
• Dapat disimpulkan dari hasil di atas bahwa jumlah waktu yang dihabiskan selama
setiap operasi lebih penting daripada tenaga mesin itu sendiri. Alasannya mungkin
terletak pada pergantian input beban mesin yang sama untuk setiap kapal; itu
menjadi kendala untuk masing-masing mesin sedangkan waktu operasi tidak
memiliki kendala tersebut. Waktu yang dihabiskan untuk bermanuver dan
menunggu di cekungan pelabuhan dipengaruhi oleh kemacetan pelabuhan dan
kondisi cuaca saat itu, sedangkan waktu berlabuh dipengaruhi tidak hanya oleh
jenis dan jumlah kargo yang diangkut setiap kapal tetapi juga oleh kemampuan
kerja pelabuhan dalam penanganan kargo.

Fuel Pump and Injector 11

b. Random forest model and validation
Makalah ini menggunakan model regresi hutan acak untuk melatih data kapal dengan
500 pohon dan kedalaman maksimal 10. Voting kepercayaan dipilih untuk menemukan
keakuratan data; proses model yang diinputkan di RapidMiner Studio dapat dilihat
pada Gambar 3. Dataset disiapkan dengan memilih atribut yang dipilih untuk dilatih;
kategori emisi kemudian ditetapkan untuk label peran. Data tersebut kemudian
dipecah menjadi 70% untuk pelatihan dan 30% untuk contoh yang ditetapkan sebelum
dilatih dengan model regresi hutan acak dan diterapkan untuk kinerja klasifikasi.

Result 12
Result 13
• Hasil pelatihan model random forest menunjukkan bahwa proses berlabuh memakan waktu
paling lama sehingga menghasilkan emisi CO2 lebih banyak, seperti yang dapat dilihat pada
Gambar 4, dengan rata-rata waktu tunggu rata-rata 18,41 jam, sedangkan waktu tunggu rata-
rata di cekungan pelabuhan hanya 2,3 jam dan waktu manuver rata-rata 1,84 jam. Namun
karena mesin induk tidak aktif selama proses berlabuh, perbedaan rata-rata emisi yang
dihasilkan tidak besar, yaitu 6.119 kgCO2 dari berlabuh, 2.50 kgCO2 dari waktu tunggu, dan
2.1556 kgCO2 darimanuver. Proses sandar kapal peti kemas memakan waktu lebih lama
tergantung dari jumlah muatan yang dibawanya, fasilitas pelabuhan, dan efisiensi kerja.
Ketersediaan dan kemampuan peralatan kapal untuk berlabuh, seperti deck crane atau bahkan
peralatan tambat yang baik, dapat membantu mempercepat proses seiring dengan
kemampuan penanganan muatan pelabuhan.

Result 14
Result 15
• K-fold cross-validation menggunakan 10 folds dengan model proses di RapidMiner Studio,
seperti yang terlihat pada Gambar 5, menunjukkan bahwa model memiliki akurasi prediksi
sebesar 98,85%. Dengan nilai absolute error sebesar 0,024 dan squared error sebesar 0,008,
dapat disimpulkan bahwa model random forest terbukti memiliki validasi yang baik, yang
berarti bahwa tipe dataset dan model setting yang sama dapat diterapkan untuk memprediksi
emisi CO2 dari setiap tahun di pelabuhan kontainer.

Result 16
2. Energy Management Plan Discussion
Berdasarkan kepentingan variabel yang diperoleh, SEEMP yang sesuai untuk operasi
hemat bahan bakar dapat didiskusikan. Karena manuver di cekungan pelabuhan dan
waktu berlabuh memiliki bobot kepentingan yang sama, diperlukan rencana operasi
hemat bahan bakar untuk setiap proses. Untuk memenuhi tingkat pengurangan Indeks
Desain Efisiensi Energi (EEDI) yang diperlukan sebesar 15–20% pengurangan emisi
untuk kapal kontainer (MARPOL, nd),

Result 17
a. Voyage optimization
• Optimalisasi Voyage adalah konsep tentang pengurangan hambatan di bawah
batasan yang ditentukan dengan mengoptimalkan rute kapal, kecepatan,
penjadwalan, ballast, dan trim.
• Menggabungkan perutean cuaca dan optimalisasi kecepatan untuk bermanuver di
pelabuhan dapat membantu mengurangi waktu yang dibutuhkan sehingga
mengurangi emisi CO2. Ini tidak hanya akan mengurangi emisi CO2 tetapi juga
mencegah waktu tunggu.
• Optimalisasi ketahanan operasi juga dapat dilakukan dengan menambahkan sensor
dan menggunakan berbagai sistem pendukung keputusan untuk mengurangi
ketahanan air yang tenang. Sistem dapat menyesuaikan engine dan ballast agar
sesuai dengan kondisi draf, trim, dan kemudi yang diperlukan untuk manuver
hemat bahan bakar.

Result 18
b. Cold ironing
Cold ironing adalah praktik penyediaan sumber listrik dari pantai ke kapal pada saat
proses berlabuh. Kapal dapat mematikan generator diesel selama proses berlabuh, yang
memakan waktu paling lama di pelabuhan; ini akan sangat mengurangi emisi CO2 oleh
kapal itu sendiri. Karena Cold ironing dapat dilakukan dengan menggunakan sumber
energi rendah karbon atau nol karbon seperti energi angin dan matahari, bahkan
berpotensi mengurangi emisi CO2 kapal di pelabuhan hingga 40%.
c. Operator skill
operator Faktor manusia adalah faktor non-teknis untuk operasi hemat bahan bakar.
Keterampilan dan pengetahuan yang tepat dibutuhkan oleh awak kapal dan operator,
tidak hanya untuk mengendalikan kapal dengan baik dalam setiap situasi tetapi juga
untuk dapat sepenuhnya memanfaatkan sistem yang dipasang untuk tindakan operasi
hemat bahan bakar.

Result 19
d. Type of auxiliary engine
Pada aspek teknis operasi, tren penggunaan bahan bakar ganda untuk mesin utama
mesin bantu meningkat dari tahun ke tahun. Penggunaan Bahan Bakar LNG untuk diesel
laut akan meningkatkan daya dan efisiensi. Dalam beberapa kasus, diperlukan retrofit
mesin diesel ke bahan bakar ganda, tangki ISO untuk LNG adalah kunci untuk sistem
manajemen bahan bakar.

Result 20
 Conclusion
Paper ini menggunakan metode pembelajaran mesin untuk memprediksi kepentingan variabel emisi CO2
dengan RapidMiner Studio sebagai alat utama untuk membuat model dan analisis data. Model hutan
acak dibuat menggunakan lima karakteristik data sebagai variabel bebas. Setelah menjalankan model,
variabel kepentingan kemudian dipilih dan dianalisis beserta pengaruh variabel terpilih terhadap emisi
CO2 kapal. Terakhir, SEEMP dikembangkan berdasarkan hasil diskusi. Beberapa opsi untuk meminimalkan
emisi CO2 selama bermanuver, di cekungan pelabuhan, dan berlabuh dibahas, dengan menggunakan
hasil model pelatihan. Sementara penyetrikaan dingin memiliki port pengurangan emisi CO2 yang besar,
tidak semua pelabuhan dapat menyediakannya, sehingga kombinasi antara metode optimalisasi
pelayaran dan operator terlatih sangat penting untuk mencapai tingkat pengurangan EEDI yang
diperlukan. Penelitian lebih lanjut untuk meminimalkan emisi
CO2 dengan menganalisis fasilitas pelabuhan, seperti kelayakan penyetrikaan dingin dan peningkatan
efisiensi kerja, perlu dilakukan, karena kerjasama dengan pelabuhan memegang bagian penting selama
proses berlabuh, seperti ketersediaan penyetrikaan dingin dan pertukaran informasi. untuk mencapai
kedatangan just-in-time. Metode yang diusulkan oleh makalah ini dapat digunakan untuk
mengembangkan operasi hemat bahan bakar di pelabuhan untuk pengembangan SEEMP, khususnya
pelabuhan peti kemas di negara berkembang seperti Indonesia, di mana kesehatan lingkungan bukan
prioritas utama.
Conclusion 21
 Source
International Journal of Technology 12(5) 1048-1057 (2021)
Ship Energy Efficiency Management Plan Development using Machine
Learning: Case Study of CO2 Emissions of Ship Activities at Container Port
by : Ivan Dewanda Dawangi, Muhammad Arif Budiyanto

Source 22
THANK YOU
SHIP ENERGY EFFICIENCY MANAGEMENT PLAN
DEVELOPMENT USING MACHINE LEARNING:
CASE STUDY OF CO2 EMISSIONS OF SHIP
ACTIVITIES AT CONTAINER PORT
“Hidup ini adalah perjuangan, kita harus bisa mempertanggung
jawabkan apa yang kita perjuangkan”