Oleh karena itu, penelitian ini bertujuan untuk mengkaji kinerja PP Muara Angke saat ini dan keterkaitan pelabuhan terhadap hinterland dan foreland, merumuskan strategi pengembangan, dan pengukuran kinerja bagi masing-masing rumusan strategi tersebut.
Penelitian kuantitatif ini menggunakan metode penelitian survei, dengan teknik analisis statistik deskriptif dengan data yang diperoleh dari hasil kuesioner kepada 70 responden, wawancara, dan pengamatan langsung ke lokasi penelitian. Analisis situasi lingkungan dilakukan untuk mengidentifikasi faktor eksternal dan internal, melalui analisis SWOT (Strengths, Weaknesses, Opportunities, and Threats), yaitu dengan analisis PESTEL (Political, Economic, Sociocultural, Technological, Ecological, dan Legal), keterkaitan pelabuhan dengan foreland dan hinterland, penilaian kinerja dengan Balanced Scorecard, dan tingkat pemanfaatan fasilitas. Dari hasil analisis matriks TOWS didapatkan rumusan strategi yang diantaranya adalah melakukan kerjasama dengan pihak ketiga dalam pemanfaatan aset, sinkronisasi antara rencana tata ruang daratan dan tata ruang pesisir, menciptakan pengaturan zonasi yang mendukung tata niaga perikanan, dan pembenahan kawasan kumuh. Rumusan strategi tersebut diterjemahkan ke dalam ukuran kinerja Balanced Scorecard sebagai alat untuk mengukur pencapaian strategi.
Kesimpulannya adalah dengan mengimplementasikan rumusan strategi dan ukuran kinerjanya diharapkan memberikan manfaat sosial dan ekonomi dan juga meningkatkan kinerja dan pengelolaan kawasan Pelabuhan Perikanan Muara Angke demi mewujudkan pelayanan publik terbaik.
Therefore, this study aims to assess the performance of Muara Angke fishing port and the linkages between the hinterland and foreland, formulates development strategy and determines the performance measures.
This quantitative research uses survey method with descriptive statistical analysis technique with data based on questionnaires to 70 respondents, interviews, and observations. Environmental situation analysis was conducted to identify external and internal factors, through SWOT analysis with PESTEL analysis (Political, Economic, Sociocultural, Technological, Ecological and Legal), and foreland-hinterland linkages, performance assessment with the Balanced Scorecard, and the rate of utilization of the facilities. By TOWS Matrix, the strategies have been formulated such as cooperating with private sectors, synchronizing between mainland and coastal spatial plan, creating a zone arrangement to support marketing of fishery, and making improvement for slum areas. All of the strategies are translated into Balanced Scorecard performance measures as tools to assess strategy achievement.
In conclusion, the implementation of strategies and performance measures are expected to provide social and economic benefits and also improve the performance and management of Muara Angke fishing port to provide the best public services."
Salah satu permasalahan utama yang sedang dihadapi oleh Kementrian Kelautan dan Perikanan Republik Indonesia (KKP) adalah maraknya kejadian Illegal, Unreported, and Unregulated (IUU) fishing yang terjadi pada perairan Indonesia. Kejadian ini menimbulkan banyak kerugian bagi Indonesia, terutama dalam aspek sosial, ekologi, dan ekonomi. Untuk mengatasi masalah ini, terutama unreported fishing, dirancanglah sebuah sistem yang dapat digunakan untuk memonitor penangkapan ikan, sekaligus melakukan deteksi dan klasifikasi terhadap jenis ikan hasil tangkapan di atas kapal. Sistem dirancang menggunakan konsep object detection dan instance segmentation, dua bidang dari machine learning, menggunakan model YOLOv5 dan varian-variannya yang merupakan salah satu model dari keluarga YOLO (You Only Look Once) yang paling baik dari segi kecepatan dan akurasi. Dengan adanya sistem tersebut, diharapkan bahwa hasil tangkapan kapal di perairan Indonesia dapat bersifat lebih legal, teratur, dan sesuai dengan yang dilaporkan kepada KKP. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP50 0,834, mAP50-95 0,544, F1-score 0,848, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,797, mAP50-95 0,531, F1-score 0,802, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil bounding box, serta nilai mAP50 0,739, mAP50-95 0,36, F1-score 0,789, dan kecepatan inferensi 232,6 fps untuk partisi validation, dan mAP50 0,711, mAP50-95 0,335, F1-score 0,746, dan kecepatan inferensi 250,0 fps untuk partisi testing pada hasil segmentation mask. Selain itu, model tersebut juga mendapatkan akurasi 60% pada tahapan perbandingan dengan model object detection.