Deteksi Bangkai Kapal pada Citra Side Scan Sonar menggunakan Metode Deep Learning YOLO v8 (Studi Kasus: Perairan Kepulauan Seribu, Jakarta)

Bernadio Axel Herdin Ernesto, Ir. Abdul Basith, S.T., M.Si., Ph.D.

2026 | Skripsi | TEKNIK GEODESI

Penelitian ini dilatarbelakangi oleh tingginya aktivitas pelayaran di Perairan Kepualuan Seribu yang meningkatkan potensi terjadinya kecelakaan kapal. Keberadaan bangkai kapal akibat kecelakaan tersebut dapat menimbulkan bahaya bagi keselamatan navigasi dan aktivitas pelayaran di wilayah perairan tersebut. Identifikasi bangkai kapal pada citra Side Scan Sonar (SSS) masih banyak dilakukan secara manual melalui interpretasi visual yang bergantung pada pengalaman operator, sehingga berisiko menimbulkan subjektivitas, inkonsistensi hasil, dan membutuhkan waktu yang lama. Perkembangan metode deep learning khususnya algoritma You Only Look Once (YOLO) telah menunjukkan kinerja yang baik pada deteksi objek berbasis citra optik. Namun, pemanfaatan YOLO pada citra SSS masih terbatas. Di sisi lain, ketersediaan dataset open-source citra SSS memungkinkan pengembangan model deteksi pada bidang kelautan dengan lebih efisien dan konsisten. Oleh karena itu, penelitian ini bertujuan untuk membangun model deteksi dan klasifikasi otomatis bangkai kapal pada citra SSS berbasis YOLOv8 dengan mengadopsi skema klasifikasi SeaShips datasets untuk mengidentifikasi jenis kapal, mengevaluasi performa dan nilai akurasi yang dihasilkan, serta menganalisis kemampuannya pada data riil Perairan Kepulauan Seribu, Jakarta.

Penelitian dilakukan menggunakan dataset open-souce SeabedObjects-KSLG dan SCTD2.0 sebagai data latih, serta citra SSS hasil pengukuran lapangan di area Perairan Kepulauan Seribu yang diperoleh dari Pushidrosal sebagai data uji implementasi. Tahapan penelitian yang dilakukan meliputi pembangunan model menggunakan platform Roboflow dan Google Colab, menganalisis performa dan nilai akurasi model berdasarkan parameter Precision, Recall, dan Mean Average Precision (mAP), serta pengujian model terhadap data riil citra SSS yang diambil dari pengukuran lapangan di area Perairan Kepulauan Seribu. Model dibangun dengan mengadopsi skema klasifikasi SeaShips dataset sehingga model diharapkan tidak hanya dapat mengidentifikasi bangkai kapal pada citra, tetapi juga mengklasifikasikannya sesuai dengan jenis kapal.

Hasil penelitian menunjukkan bahwa model YOLOv8 yang dibangun berhasil mendeteksi serta mengklasifikasikan bangkai kapal pada citra SSS secara otomatis. Berdasarkan nilai akurasi yang dihasilkan, model menunjukkan kemampuan generalisasi yang baik. Pengujian terhadap 10 sampel citra SSS Perairan Kepulauan Seribu menunjukkan bahwa model berhasil mendeteksi seluruh citra yang mengandung bangkai kapal serta tidak menghasilkan deteksi pada citra yang hanya berisi dasar laut. Meskipun demikian, masih ditemukan beberapa kesalahan klasifikasi akibat kemiripan karakteristik visual antar kapal, noise pada citra sonar, dan keterbatasan training dataset.

This research was motivated by the high intensity of maritime traffic in the Seribu Islands Waters, which increases the risk of ship accidents. Shipwrecks resulting from such accidents may pose hazards to navigation safety and maritime activities in the area. Shipwreck identification using Side Scan Sonar (SSS) imagery is still predominantly performed through manual visual interpretation, which relies heavily on operator experience and is therefore prone to subjectivity, inconsistent results, and time-consuming processing. Recent advances in deep learning, particularly the You Only Look Once (YOLO) algorithm, have demonstrated strong performance in object detection using optical imagery. However, the application of YOLO to sonar imagery remains limited. Meanwhile, the availability of open-source sonar image datasets provides opportunities to develop more efficient and consistent detection models for marine applications. Therefore, this study aims to develop a YOLOv8-based automatic shipwreck detection and classification model for SSS imagery by adopting the SeaShips dataset classification scheme to identify ship types, evaluate its detection performance and accuracy, and assess its applicability using real-world SSS data from the Pulau Seribu Waters, Jakarta. 

The research utilized the open-source SeabedObjects-KSLG and SCTD2.0 datasets as training data, while SSS imagery acquired from field surveys by Pushidrosal in the Pulau Seribu Waters was used as implementation testing data. The research workflow consisted of shipwreck annotation, data preprocessing and augmentation using the Roboflow platform, model training using Google Colab, performance and accuracy evaluation, and model testing on real-world SSS imagery. The model was developed by adopting the SeaShips dataset classification scheme, enabling it not only to identify shipwrecks in sonar imagery but also to classify them according to ship type. 

The results indicate that the developed YOLOv8 model successfully detected and classified shipwrecks in SSS imagery automatically. Based on the accuracy score, the model indicate good generalization capability. Testing on ten SSS image samples from the Seribu Islands Waters showed that the model successfully detected all images containing shipwrecks and produced no detections on images containing only seabed features. Nevertheless, several classification errors were still observed due to similarities in visual characteristics among ship types, noise in sonar imagery, and limitations of the training dataset. Overall, the developed model proved effective in supporting shipwreck inventory activities and improving the efficiency of seabed object identification.

Kata Kunci : Side Scan Sonar, bangkai kapal, YOLOv8, deep learning, deteksi objek, Kepulauan Seribu