APLIKASI AUTOMATIC IDENTIFICATION SYSTEM (AIS) UNTUK MENENTUKAN RISK COLLISION KAPAL BERDASARKAN FUZZY INFERENCE SYSTEM

Transkripsi

1 APLIKASI AUTOMATIC IDENTIFICATION SYSTEM (AIS) UNTUK MENENTUKAN RISK COLLISION KAPAL BERDASARKAN FUZZY INFERENCE SYSTEM Emmy Pratiwi 1, Ketut Buda Artana 2, AAB Dinariyana 2 Putri Dyah Setyorini 2 1 Program Pascasarjana Teknologi Kelautan 2 Jurusan Teknik Sistem Perkapalan Institut Teknologi Sepuluh Nopember emmy15@mhs.na.its.ac.id Abstrak: Alur pelayaran barat Surabaya (APBS) yang berlokasi di Selat Madura merupakan salah satu alur pelayaran terpadat di Indonesia. Jumlah kapal di APBS yang semakin meningkat berbanding lurus dengan meningkatnya kecelakaan kapal seperti tubrukan kapal. Studi ini bertujuan untuk menilai risiko tubrukan kapal di jalur APBS dengan memanfaatkan data dari Automatic Identification System (AIS). AIS merupakan sistem tracking secara otomatis di kapal dan vessel traffic services (VTS) yang digunakan untuk mengidentifikasi dan mengetahui lokasi kapal melalui pertukaran data secara elektronik dengan kapal lain maupun dengan AIS base station di darat. Informasi yang diberikan oleh AIS dapat berupa data statis seperti tipe kapal, ukuran kapal data dinamis seperti posisi kapal, kecepatan dan status navigasi. Risiko tubrukan kapal dinilai berdasarkan dua parameter yaitu Closest Point of Approach (DCPA) dan Time to Closest Point of Approach (TCPA). Nilai DCPA dan TCPA dihitung dengan menggunakan data yang diperoleh dari AIS. Dua parameter ini selanjutnya diproses dalam fuzzy inference system untuk mendapatkan risiko tubrukan kapal. Dari hasil analisis risk collision pada tanggal 8 April 2015 pukul WIB dan WIB di buoy 10 menunjukkan bahwa terdapat pertemuan kapal yang memiliki risiko tubrukan yang cukup tinggi yakni 0,84 dimana menurut rule yang disampaikan oleh Chen (2014), nilai ini dapat dikategorikan dalam level High (H). Kata kunci: AIS, risk collision, DCPA, TCPA, fuzzy inference system PENDAHULUAN Alur pelayaran barat Surabaya (APBS) yang berlokasi di Selat Madura merupakan satu-satunya jalur untuk kapal-kapal yang akan masuk ke beberapa palabuhan besar seperti Pelabuhan Tanjuk Perak Surabaya dan Pelabuhan Teluk Lamong Gresik. Hal ini menyebabkan APBS menjadi salah satu alur pelayaran terpadat di Indonesia. Gambar 1 menunjukkan data statistik jumlah kunjungan kapal ke Surabaya dan Gresik melalui APBS berdasarkan informasi dari PT. Pelindo III. Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification C2-27

2 Gambar 1. Jumlah Kapal di APBS Data pada Gambar 1 tersebut menunjukkan bahwa setiap tahun hampir selalu terjadi kenaikan jumlah kunjungan kapal. Meningkatnya jumlah kunjungan kapal ternyata juga sebanding dengan meningkatnya jumlah kecelakaan kapal. Selama tahun , jumlah kecelakaan kapal di Indonesia cukup tinggi. Berdasarkan laporan dari Mahkamah Pelayaran, sekitar tidak kurang 293 khasus terjadi kecelakaan kapal (Mahkamah Pelayaran Indonesia, 2009). Kecelakaan tersebut dikategorikan menjadi beberapa yakni kapal tenggelam (31%), kapal kandas (25%), kapal tabrakan (18,27%), kapal terbakar (9,67%) dan lainnya sebesar 16,06%. Penyebab dari kecelakaan tersebut juga beragam namun penyebab terbesarnya adalah akibat human error 78,45%, penyebab lain seperti kesalahan teknis (9,67%), karena kondisi cuaca (1,07%,) dan 10,75% karena kombinasi cuaca dan kesalahan teknis (Artana, et al., 2012). Penyebab kecelakaan ini seperti yang tercantum pada Gambar 2 berikut. Gambar 2. Data Jenis Kecelakaan Kapal Berdasarkan tingginya angka kecelakaan kapal akibat kesalahan manusia serta banyaknya korban yang meninggal dunia, maka studi tentang risiko adanya kecelakaan khusunya di alur pelayaran yang padat menjadi sangat penting sebagai upaya untuk meningkatkan keselamatan. Pada studi ini, perhitungan risiko tubrukan kapal pada Selat Madura akan disajikan dengan mengembangkan dan memanfaatkan data Automatic Identiication System (AIS). Risk collision yang menunjukkan peluang kapal tersebut akan menubruk kapal lain dihitung dengan parameter Closest Point of Approach (DCPA) dan Time to Closest Point of Approach (TCPA) sebagai input untuk logika fuzzy. a. Automatic Identification System (AIS) Mulai pada tahun 2000, International Maritime Organization (IMO) merekomendasikan peraturan baru untuk kapal yang memiliki gross tonnage 300 dan lebih wajib memasang Automatic Identiication System (AIS). AIS merupakan sistem tracking secara otomatis di kapal dan vessel traffic services (VTS) yang digunakan untuk mengidentifikasi dan mengetahui lokasi kapal. AIS menggunakan transceiver radio VHF yang mampu mengirimkan informasi kapal tersebut kepada kapal lain dan C2-28 Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification

3 juga pada otoritas di daratan secara otomatis. Informasi yang diberikan oleh AIS dapat berupa data statis seperti nama kapal, tipe kapal, ukuran kapal, nomor registrasi IMO sedangkan data dinamis seperti posisi kapal, heading kapal, course over the ground (COG) dan status navigasi. Data AIS ini telah banyak digunakan dan dikembangkan oleh para peneliti seperti untuk estimasi gas buang kapal, peta navigasi, evakuasi kapal dan menentukan dangerous score pada setiap kapal (Pitana, et al., 2010; Kobayashi, et al., 2010; Pitana, et al., 2008). Institut Teknologi Sepuluh Nopember (ITS) juga telah mengembangkan AIS menjadi suatu tampilan web aisits.cf untuk memonitoring kapal-kapal yang beroperasi di Selat Madura melalui reciever yang terpasang di Laboratorium Keselamatan dan Keandalan, ITS. Dari web tersebut informasi kapal seperti nama, tipe dan ukuran kapal, status navigasi serta inspection score dapat diketahui. Tampilan web tersebut seperti pada Gambar 3 berikut. Gambar 3. Tampilan Web aisits.cf b. Penentukan Risiko Tubrukan Kapal (Collision Risk) Risiko tubrukan kapal atau collision risk ditentukan berdasarkan dua kriteria penting yaitu Closest Point of Approach (DCPA) dan Time to Closest Point of Approach (TCPA). DCPA adalah jarak terdekat antar dua kapal yang saling mendekati satu sama lain. TCPA merupakan waktu yang dibutuhkan untuk mencapai titik DCPA. DCPA dan TCPA dihitung berdasarkan posisi kapal dan sudut navigasinya. Gambar 4. Bearing Own Ship dan Target Ship Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification C2-29

4 Pada Gambar 4 menunjukkan hubungan antara bearing own ship dan target ship yang mempengaruhi perhitungan DCPA dan TCPA. Persamaan untuk mendapatkan nilai DCPA dan TCPA antar kapal O dan T dapat dihitung menggunakan persamaan 1 dan 2 berikut (Shen, et al., 2013): (1) (2) Vo merupakan velocity own ship, Vt adalah velocity target ship. Jarak antar kapal (D) juga harus dihitung terlebih dahulu. Pertemuan antar kapal ditunjukkan dengan relative bearing dari own ship (α) dan relative bearing dari target ship (β). c. Fuzzy Inference System Fuzzy inference system (FIS) adalah proses pemetaan dari input yang diberikan untuk mengetahui output menggunakan fuzzy logic. Proses tersebut melibatkan membership functions, fuzzy logic operators, dan if-then rules. Pada studi ini, fuzzy inference system digunakan untuk pendekatan perhitungan risiko tubrukan. Tabel 1 memberikan lima nilai linguistik untuk variabel TCPA, DCPA, dan Collision Risk (C). Tabel 1. Lima nilai linguistik untuk variabel TCPA, DCPA, dan Risk Collision (Chen, et al., 2014) DCPA/m Nilai TCPA/s Nilai CR Nilai 0-2 Small 0-4 Small Low 1-3 Medium Small 2-6 Medium Small Medium Low 2-4 Medium 4-8 Medium Medium 3-5 Medium Big 6-10 Medium Big Medium High 4-6 Big 8-10 Big High Tabel 2 menunjukan rules yang digunakan untuk menentukan level risiko tubrukan kapal. Contohnya apabila nilai DCPA berada pada level small (S) dan TCPA juga berada pada level small (S), maka collision risk (CR) berada kategori High (H). Tabel 2. Rules untuk Nilai CR (Chen, et al., 2014) TCPA CR DCPA S M MS MB B S H H MH MH MH MS H MH M M M MS MH M M ML ML MB MH M ML ML L B MH M ML L L C2-30 Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification

5 METODE PENELITIAN Penelitian ini merupakan suatu aplikasi dari peralatan Automatic Identification System (AIS) sebagai suatu sistem monitoring untuk meningkatkan keselamatan pelayaran pada kapal-kapal yang melewati jalur padat yakni Alur Pelayaran Barat Surabaya. AIS yang terpasang di kapal berfungsi untuk menyediakan informasi kapalkapal di APBS kepada kapal lain dan juga pada otoritas di daratan secara otomatis. Receiver atau penerima data AIS yang digunakan pada penelitian telah terpasang di Laboratorium Keandalan dan Keselamatan, Jurusan Teknik Sistem Perkapalan, ITS. Untuk mendapatkan hasil akhir berupa nilai collision risk kapal-kapal di APBS, terdapat beberapa tahapan mulai dari proses pengambilan data dari AIS, mengolah atau mengubah data-data tersebut sehingga siap untuk digunakan, merumuskan datadata kedalam suatu persamaan untuk memperoleh risk collision. Data yang dibutuhkan antara lain nama kapal, longitude, latitude, Speed Over Ground, Course Over Ground dan UTC (Universal Time Coordinated). Kemudian data tersebut akan diproses untuk memperoleh nilai DCPA dan TCPA. Kedua paramater merupakan input dari fuzzy inference system untuk memperoleh risk collision. Untuk menyelesaikan logika fuzzy, pada studi ini menggunakan bantuan MATLAB. HASIL DAN PEMBAHASAN Berdasarkan data yang didapatkan dari AIS selama satu tahun yakni 2015 menunjukkan bahwa kepadatan kapal di alur yang tertinggi terjadi pada bulan April. Namun pada penelitian ini, analisis risiko tubrukan kapal hanya dilakukan pada tanggal 8 April 2015 pukul WIB dan WIB. Pada jam tersebut merupakan waktu terpadat kapal berada di alur. Kapal-kapal yang sedang beroperasi pada waktu tersebut terlihat pada Gambar 5 berikut. Gambar 5. Kapal-kapal di Buoy 10 APBS pada 8 April 2015 pukul WIB dan WIB Gambar 6 menunjukkan contoh dari salah satu encounter yang telah dilakukan fuzzy inference system dengan MATLAB. Dimana dengan bantuan MATLAB didapatkan hasil probabilitas tubrukan dengan input dua parameter yaitu DCPA dan TCPA. Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification C2-31

6 Gambar 6. Fuzzy Inference System dengan MATLAB Masing-masing encounter akan dilakukan perhitungan seperti pada Gambar 6 Sehingga pada Tabel 3 didapatkan hasil perhitungan seluruh encounter dengan fuzzy untuk mendapatkan nilai collision risk pada pertemuan antar kapal berdasarkan parameter DCPA dan TCPA. Tabel 3. Risk Collision Tiap Pertemuan Kapal No D (m) α β Vo (m/s) Vt Vr DCPA TCPA Risk Collision 23,24 59,07 117,28 3,70 3,09 4,72 2,50-4,79 0,84 H 158,35 28,44 151,79 5,04 5,35 5,98 96,31-9,10 0,84 H Level 152,31 19,42 156,32 5,35 3,70 6,86 7,19 23,26 0,50 ML 91,01 48,43 120,06 3,45 5,56 5,22 2,60 11,46 0,50 ML 93,44 15,22 162,68 5,35 4,94 5,20 10,50-3,03 0,63 MH 79,60 40,72 134,57 5,50 5,61 9,50 28,75-9,12 0,84 H 25,70 26,20 154,34 3,70 3,70 4,07 11,22-2,49 0,84 H KESIMPULAN Berdasarkan hasil analisis yang dilakukan pada studi ini, data yang diterima dari Automatic Identification System (AIS) dapat dimanfaatkan untuk menilai risiko tubrukan dari kapal. Dengan menggunakan parameter DCPA dan TCPA, risk collision dihitung dengan fuzzy inference system. Dari hasil analisis nilai risk collision pada tanggal 8 April 2015 pukul WIB dan WIB di buoy 10 menunjukkan bahwa C2-32 Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification

7 terdapat beberapa encounter atau pertemuan kapal yang memiliki risiko tubrukan kapal tinggi yakni 0,84. Dimana berdasarkan rules yang digunakan, nilai 0,84 termasuk dalam kategori High (H). Nilai collision risk yang tinggi ini bisa disebabkan karena posisi kedua kapal sehingga jarak antar kedua kapal tersebut berdekatan dan juga sudut heading kapal yang mengarah ke titik yang dapat terjadi collision. DAFTAR PUSTAKA Artana, K. B., Dinariyana, D. P. & Pitana, T., Pengembangan Perangkat Simulasi Marine Traffic Melalui Integrasi Automatic Identification System dan Geographical Information System. s.l., InSINas. Chen, S., Rashid,. A., Lee, B. G. & Kim, D. H., Composition ship collision risk based on fuzzy theory. Central South University Press and Springer-Verlag Berlin Heidelberg. Kobayashi, E. et al., Installation of an Asian AIS data receiving system network. Pitana, T. et al., A large passenger ship evacuation assessment due to Tsunami Attack. Journal of the Japan Society of Naval Architects and Ocean Engineers (JASNAOE), Volume 8, pp Pitana, T., Kobayashi, E. & Wakabayashi, N., Estimation Of Exhaust Emission Of Marine Traffic Using Automatic Identification System Data (Case Study : Madura Strait Area, Indonesia ). OCEANS 2010 LEEE Sydney May 2010, CFP100CF CDR Library Of Congress : Shen, Guangwei, M., Koji, H. & Yuji, A Study on Alarm System for Small Ship Safety Navigation in Ningbo-Zhoushan Port. Kobe University Repository : Kernel. Emmy P, Ketut Buda A, AAB Dinariyana, Putri Dyah S: Aplikasi Automatic Identification C2-33