🌊 POSEIDON: Phase 4

⚡ Output Modeling & Conformal Prediction ⚡

Sistem berbasis Machine Learning (Positive-Unlabeled Learning) untuk memprioritaskan target patroli IUU (Illegal, Unreported, and Unregulated) Fishing menggunakan citra radar satelit (Sentinel-1 SAR) di wilayah WPP-711 (Laut Natuna Utara).

Features • Installation • Architecture • Contributors

🎯 Overview

Bagian Phase 4 dari pipeline analitik mutakhir POSEIDON (Patrol Oriented SAR Enabled IUU Detection Over Indonesian Natuna) berisi hasil akhir pemodelan AI untuk memberantas penangkapan ikan ilegal. Model ini mendeteksi anomali pada kapal-kapal "gelap" (tanpa sinyal AIS) dengan mengintegrasikan 18 fitur dari 4 dimensi:

🛰️ Karakteristik Fisik Radar - Intensitas, pantulan sinyal, dan estimasi panjang kapal.
🗺️ Konteks Spasial & Regulasi - Kedekatan dengan kawasan konservasi (MPA), batas ZEE, dan pos pelabuhan.
📡 Status Identitas AIS - Matching score antara deteksi radar dan kapal terdaftar.
⏳ Pola Temporal - Histori kerawanan lokasi dan tingkat kepadatan area dengan aktivitas gelap.

Sistem ini didesain menggunakan metode Hybrid nnPU (non-negative Positive-Unlabeled) Stacking (LightGBM + XGBoost) dan dievaluasi menggunakan kerangka Conformal Prediction untuk memberikan jaminan keyakinan secara operasional (meminimalkan False Alarms).

✨ Features

🧠 Advanced AI Modeling

Positive-Unlabeled Learning (nnPU) - Memanfaatkan data penindakan resmi (Seizure) sebagai label Positive dan deteksi sisa radar sebagai Unlabeled.
Hybrid Ensemble - Menggabungkan keandalan LightGBM dan XGBoost ke dalam satu arsitektur stacking.
Conformal Calibration - Mengkonversi keluaran skor mentah menjadi rentang probabilitas operasional yang ketat.

📊 Comprehensive Datasets

150,000+ Detections - Seluruh data deteksi satelit SAR yang telah diproses untuk proses training.
18 Engineered Features - Pemrosesan mendalam secara spasial (haversine distances) dan temporal.

⚡ Ready for Hugging Face

Model disiapkan menjadi 3 Fold untuk masing-masing LightGBM dan XGBoost guna menangani variance.
Dataset disuguhkan dalam format .parquet yang sangat terkompresi.

🏗️ Architecture

Komponen	Teknologi	Tanggung Jawab
Pipeline Data	Pandas, GeoPandas, Numpy	Pemrosesan spasial, manipulasi atribut temporal
Model ML	LightGBM, XGBoost, Scikit-learn	Positive-Unlabeled inference, Metrik Evaluasi (AUPRC, AUC)
Penyimpanan	Hugging Face Hub, Parquet	Repository, efisiensi ukuran model weights

🚀 Installation & Usage

1. Download Repository

Karena folder ini menyimpan Model Weights dan Data pada Fase 4 (Modeling & Export), Anda dapat me-load-nya dengan mudah.

# Clone repository ini (sesuaikan dengan link Hugging Face repo Anda nantinya)
git clone https://huggingface.co/JullMol/POSEIDON
cd POSEIDON/Phase_4

2. Menjalankan Inference

Gunakan script Python di bawah untuk memuat model dan membuat prediksi pada dataset baru:

import lightgbm as lgb
import xgboost as xgb
import pandas as pd

# Load Dataset
dataset = pd.read_parquet('sar_labeled.parquet')

# Load Model LightGBM (Fold 0)
lgb_model = lgb.Booster(model_file='lgb_model_0.txt')

# Load Model XGBoost (Fold 0)
xgb_model = xgb.Booster(model_file='xgb_model_0.json')

# Tentukan fitur model sesuai pipeline POSEIDON
features = ['length_m', 'fishing_score', 'dist_to_eez_boundary_km', ...] 

# Lakukan Prediksi
preds_lgb = lgb_model.predict(dataset[features])
print(preds_lgb)

👨‍💻 Contributors

Dipersembahkan oleh Tim Mahasiswa dari Universitas Negeri Surabaya:

Faishal Muflih Irfanu Tsaqib
Daffa Ahmad Pangreksa
Dimas Rafi Izzulhaq

Dibuat untuk mendukung penjagaan kedaulatan maritim dan kelestarian sumber daya laut Indonesia. 🇮🇩