Implementasi Vanilla LSTM untuk Prediksi Lintasan Kapal Berbasis AIS

Abstract

Data Automatic Identification System (AIS) menyediakan informasi spasial-temporal yang penting untuk pemantauan kapal dan prediksi lintasan. Namun, prediksi berbasis AIS masih memiliki tantangan karena data pergerakan kapal mengandung fase navigasi yang heterogen, seperti berlayar, berhenti, berbelok tajam, sandar, dan kembali ke arah asal. Penelitian ini mengevaluasi Vanilla Long Short-Term Memory (LSTM) sebagai model baseline deep learning untuk prediksi posisi kapal satu langkah ke depan menggunakan data AIS perairan Bali periode Januari 2026. Dataset awal terdiri atas 47.966 record AIS dan menjadi 47.697 record setelah praproses dasar, meliputi penyaringan validitas, pemilihan tipe pesan AIS posisi kapal, penghapusan duplikasi, validasi koordinat, dan penyaringan kecepatan. Dua skenario eksperimen dirancang, yaitu Skenario A yang menggunakan seluruh segmen lintasan valid dan Skenario B yang menerapkan trajectory eligibility filtering berdasarkan kriteria gerak dan kinematik. Model menggunakan lima titik AIS historis untuk memprediksi delta longitude dan delta latitude, kemudian direkonstruksi menjadi koordinat geografis. Kinerja model dibandingkan dengan persistence baseline menggunakan galat Haversine sebagai metrik utama. Hasil menunjukkan bahwa pada Skenario A, persistence baseline lebih unggul daripada Vanilla LSTM. Sebaliknya, pada Skenario B, Vanilla LSTM menurunkan rerata galat Haversine dari 1.884,41 m menjadi 1.420,56 m dan median galat dari 1.635,99 m menjadi 1.291,22 m. Temuan ini menunjukkan bahwa trajectory eligibility filtering penting untuk meningkatkan prediksi lintasan kapal berbasis LSTM.