license: mit
tags:
- machine-learning
- pu-learning
- lightgbm
- xgboost
- tabular-classification
- spatial-analysis
- fisheries
datasets:
- custom
🌊 POSEIDON
⚡ Patrol Oriented SAR Enabled IUU Detection Over Indonesian Natuna ⚡
Selamat datang di repository utama POSEIDON. Sistem berbasis Machine Learning (Positive-Unlabeled Learning) ini bertujuan untuk memprioritaskan target patroli IUU (Illegal, Unreported, and Unregulated) Fishing menggunakan citra radar satelit (Sentinel-1 SAR) di wilayah WPP-711 (Laut Natuna Utara).
Pipeline POSEIDON dibagi ke dalam beberapa fase terpisah. Di repository ini, Anda dapat menavigasi ke masing-masing folder fase untuk melihat detail yang lebih mendalam mengenai tahapan datanya.
📁 Repository Structure
POSEIDON/
├── 📂 Phase_0/ # Data Preparation & Awal
│ ├── 📂 poseidon_length_model.pkl
│ ├── 📂 model_config.json
│ ├── 📂 predict.py
│ ├── 📊 POSEIDON_training_dataset_Length_Regression.xlsx
│ └── 📖 README.md # Dokumentasi Terperinci Phase 0
├── 📂 Phase_4/ # Output Modeling
│ ├── 📂 lgb_model_0.txt # LightGBM Weight Fold 0
│ ├── 📂 lgb_model_1.txt # LightGBM Weight Fold 1
│ ├── 📂 lgb_model_2.txt # LightGBM Weight Fold 2
│ ├── 📂 xgb_model_0.json # XGBoost Weight Fold 0
│ ├── 📂 xgb_model_1.json # XGBoost Weight Fold 1
│ ├── 📂 xgb_model_2.json # XGBoost Weight Fold 2
│ ├── 📊 sar_labeled.csv # Dataset Final (Format CSV)
│ ├── 📊 sar_labeled.parquet # Dataset Final (Format Parquet)
│ └── 📖 README.md # Dokumentasi Terperinci Phase 4
└── 📖 README.md # Dokumentasi Utama (Root) ini
Silakan jelajahi masing-masing folder (Phase_0 dan Phase_4) untuk melihat file lengkap beserta cara penggunaannya.
👨💻 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. 🇮🇩