🚢 Inaportnet Analytics — Platform Analisis Operasional & Deteksi Risiko Fraud Pelabuhan Indonesia 2025

Platform analitik data dan Early Warning System (EWS) terintegrasi untuk mengevaluasi kinerja operasional layanan kapal Persetujuan Kedatangan Kapal (PKK) pada 259 pelabuhan di seluruh Indonesia selama periode 2025.

Proyek ini menggabungkan evaluasi kepatuhan Service Level Agreement (SLA), klasifikasi efisiensi 4-kuadran, kontrol kualitas data (Data Quality Control), serta kerangka kerja deteksi anomali multi-lapis: Composite Fraud Risk Screening Index (CFRSI) guna mendukung tata kelola anti-fraud kemaritiman berbasis data.

Data dikumpulkan melalui web scraping otomatis dari portal resmi Kementerian Perhubungan Republik Indonesia: 🌐 Portal Monitoring Inaportnet Dephub

📑 Daftar Isi

Struktur Repositori
Landasan Riset & Kerangka Kerja CFRSI
Fitur Utama Dashboard (v3.0)
Panduan Instalasi & Persiapan Lingkungan
Panduan Penggunaan Dashboard (Langkah demi Langkah)
Menjalankan Skrip Pipeline Riset (Standalone)
Konfigurasi Database (Dual-Mode)
Tech Stack & Dependensi
Authors & Kontributor

📂 Struktur Repositori

inaportnetAnalytics/
│
├── data/                                 # Data referensi master pelabuhan
│   └── port_code.xlsx                    # Pemetaan kode dan nama pelabuhan se-Indonesia
│
├── scripts/                              # Pipeline riset ilmiah (Standalone Scripts)
│   ├── 00_data_collection.py             # Script scraper mandiri
│   ├── 01_data_preprocessing.py          # Pembersihan data & ekstraksi durasi
│   ├── 02_descriptive_stats.py           # Analisis statistik deskriptif
│   ├── 03_port_performance_calculation.py # Komputasi metrik performa & SLA
│   ├── 04_quadrant_analysis.py           # Klasifikasi 4-kuadran (Winsorized Min-Max)
│   ├── 05_fraud_risk_analysis.py         # Engine CFRSI (Rule, OLS Z-Score, Isolation Forest)
│   ├── port_classification.py            # Modul analisis klasifikasi pelabuhan
│   ├── service_level.py                  # Modul kalkulasi kepatuhan SLA
│   ├── service_performance.py            # Modul agregasi performa operasional
│   ├── traffic_analysis.py               # Modul eksplorasi lalu lintas kapal
│   └── workload_capacity.py              # Analisis beban kerja harian
│
├── outputs/                              # Visualisasi & chart hasil analisis statis (PNG)
│
├── papers/                               # Literatur akademik, publikasi, dan presentasi
│   ├── Inaportnet-update.pdf             # Paper CFRSI (Wijaya & Setyawan, 2026)
│   ├── PPT - paper NAFC 2026 - Rifki Eka.pptx # Materi presentasi konferensi NAFC 2026
│   └── ...                               # Laporan pendukung dan studi terkait
│
├── inaportnetDashboard/                  # Aplikasi Web Dashboard Interaktif (Streamlit)
│   ├── app.py                            # Halaman Beranda (Executive KPI, status DB, navigasi)
│   ├── requirements.txt                  # Daftar pustaka dependensi Python
│   ├── supabase_schema.sql               # Skema tabel PostgreSQL Supabase Cloud
│   │
│   ├── .streamlit/
│   │   ├── config.toml                   # Konfigurasi tema & limit upload (500 MB)
│   │   └── secrets.toml                  # Kredensial Supabase (opsional, bisa via UI)
│   │
│   ├── modules/                          # Modul inti backend aplikasi
│   │   ├── database.py                   # Dual-mode storage (SQLite lokal & Supabase Cloud)
│   │   ├── scraper.py                    # Scraper anti-deteksi (2-stage: list + detail)
│   │   ├── preprocessing.py              # Pipeline datetime parsing, durasi, & time features
│   │   ├── analysis.py                   # Engine analitik, CPI, Winsorized, dan CFRSI
│   │   ├── visualization.py              # Builder grafik interaktif Plotly
│   │   └── theme.py                      # Selector tema (Light / Dark mode)
│   │
│   ├── pages/                            # Halaman antarmuka Streamlit
│   │   ├── 1_📊_Data_Collection.py       # Scraping, upload, QC data, scan folder data
│   │   ├── 2_🗄️_Database_Viewer.py       # (Arsip/Internal inspector database)
│   │   ├── 3_🚦_Traffic_Overview.py      # Volume nasional, share, dan tren multi-dimensi
│   │   ├── 4_📋_Service_Performance.py   # Kepatuhan SLA, histogram respons, top bottleneck
│   │   ├── 5_🗺️_Port_Classification.py   # Matriks 4-kuadran, 4 sub-indeks CPI, pemeringkatan
│   │   └── 6_🛡️_Fraud_Risk_Screening.py  # Model CFRSI, deteksi anomali 3 lapis, ekspor audit
│   │
│   └── data/                             # Penyimpanan data lokal dashboard
│       ├── inaportnet_local.db           # Basis data SQLite lokal (terintegrasi otomatis)
│       ├── df_redflag_ml.parquet         # Dataset teranotasi Red Flag & hasil komputasi ML
│       └── port_code.xlsx                # Salinan referensi kode pelabuhan
│
├── workflow.md                           # Dokumentasi teknis alur arsitektur data & Mermaid
└── README.md                             # Dokumentasi utama proyek

🔬 Landasan Riset & Kerangka Kerja CFRSI

Dashboard ini mengimplementasikan model riset yang telah dipublikasikan pada:

"Toward Data-Driven Anti-Fraud Governance: Anomaly Detection and Composite Fraud Risk Scoring for Port-Level Oversight in Digital Maritime Services" Rifki Wijaya & Eka C. Setyawan (2026)

┌─────────────────────────────────────────────────────────────────────────────────┐
│               COMPOSITE FRAUD RISK SCREENING INDEX (CFRSI)                      │
├───────────────────────┬─────────────────────────┬───────────────────────────────┤
│   1. RULE-BASED       │   2. STATISTICAL        │   3. MACHINE LEARNING         │
│      SUB-INDEX        │      SUB-INDEX          │      SUB-INDEX                │
├───────────────────────┼─────────────────────────┼───────────────────────────────┤
│  • Quick Approval     │  • Regresi OLS Waktu vs │  • Unsupervised               │
│    (< 10 detik)       │    Volume, GT, Hari, Jam│    Isolation Forest           │
│  • Long Duration      │  • Modified Z-Score     │  • 100 Trees, 256 Samples     │
│    (> 8 jam)          │    Residual (|Z| ≥ 3.5) │  • 7% Contamination Target    │
│  • Low Oversight      │  • Deteksi persetujuan  │  • Deteksi anomali            │
│    (00.00 - 04.00)    │    abnormal ekstrem     │    multidimensi non-linear    │
│  • GT Manipulation    │                         │                               │
│  • Same Vessel < 2 jam│                         │                               │
└───────────────────────┴─────────────────────────┴───────────────────────────────┘
                                       │
                                       ▼
             Normalisasi Winsorized Min-Max [0.10, 1.00] & Equal Weighting
                                       │
                                       ▼
       5-Tier Ordinal Risk Classification: Sangat Rendah ──► Sangat Tinggi
                                       │
                                       ▼
               Implementasi 4 Pilar Strategi Anti-Fraud (OJK / Kemenhub)

5 Aturan Operasional Red Flag (Dasar Regulasi)

Quick Approval (< 10 detik): Berdasarkan PM 93/2013, petugas wajib memverifikasi kelaiklautan dan kelengkapan dokumen. Persetujuan dalam hitungan detik mengindikasikan risiko rubber-stamping tanpa pemeriksaan substantif.
Long Duration (> 8 jam): Persetujuan yang melampaui jam kerja normal memicu risiko hambatan birokrasi sengaja atau potensi permintaan imbalan (rent-seeking).
Low Oversight (00.00 – 04.00): Pengajuan dan persetujuan di dini hari dengan supervisi minim rentan digunakan untuk menghindari pemantauan berjenjang.
GT Manipulation: Anomali deviasi tonase kotor (Gross Tonnage) kapal berisiko mengindikasikan upaya pengecilan ukuran kapal guna menurunkan tarif PNBP labuh/tambat.
Same Vessel in 2 Ports (< 2 jam): Berdasarkan PP 61/2009, kapal fisik yang sama tercatat selesai diproses di dua pelabuhan berbeda dalam waktu kurang dari 2 jam tidak masuk akal secara operasional navigasi maritim.

✨ Fitur Utama Dashboard (v3.0)

1. Ingestion Data & Quality Control (`1_📊_Data_Collection.py`)

2-Stage Web Scraping: Mengambil daftar transaksi PKK per pelabuhan/jenis angkutan, dilanjutkan penarikan rincian stempel waktu submission dan response.
Anti-Deteksi: Rotasi User-Agent, jeda waktu acak (0.8–3.0 detik), mekanisme exponential backoff retry, serta persistensi sesi cookie.
Kendali Scraping Interaktif: Tombol Jeda (Pause), Lanjut (Resume), dan Hentikan (Stop) lengkap dengan indikator waktu berjalan, estimasi ETA, dan penghitung galat.
Penyimpanan Otomatis ke ./data/: Setiap file yang diunggah (CSV/Excel/Parquet) secara otomatis dicadangkan sebagai file fisik di folder ./data/ untuk keperluan jejak audit (audit trail).
Pemindai Berkas Lokal: Menampilkan inventaris file di folder ./data/ lengkap dengan ukuran dan waktu modifikasi terakhir.
Data Quality Control (QC) Inspector:
- Deteksi transaksi galat (stempel waktu tidak valid atau durasi negatif).
- Deteksi data null pada kolom-kolom kritis (submission, response, port_code, pkk_number, vessel_name).
- Deteksi dan penyaringan nomor PKK duplikat.
- Tombol inspeksi tabel dan pengunduhan file CSV untuk data error, null, atau duplikat.

2. Analisis Lalu Lintas Kapal (`3_🚦_Traffic_Overview.py`)

KPI Nasional: Volume agregat PKK, jumlah pelabuhan aktif, rata-rata transaksi, bulan puncak (peak month), hari tersibuk, dan jam tersibuk.
Volume Share: Visualisasi grafik donat persentase kontribusi muatan kapal antar pelabuhan.
Tren Multi-Dimensi: Pola transaksi berbasis Kuartal (Q1–Q4), Bulan (Jan–Des), Hari dalam seminggu, dan Jam harian (dengan penanda zona jam operasional 08.00–17.00).
Filter Fleksibel: Pemilahan data per pelabuhan spesifik atau agregat nasional.

3. Evaluasi Kinerja Layanan & SLA (`4_📋_Service_Performance.py`)

Kepatuhan SLA Dinamis: Slider ambang batas SLA interaktif (default: $\le 30$ menit sesuai standar pelayanan kepelabuhanan).
Distribusi Waktu Persetujuan: Histogram dan pie chart dalam 7 interval durasi (<30 mnt, 30-60 mnt, 1-2 jam, 2-6 jam, 6-12 jam, 12-24 jam, >24 jam).
Analisis Bottleneck: Identifikasi peringkat Top 10 pelabuhan dengan rata-rata waktu persetujuan terlama.

4. Klasifikasi Pelabuhan & Indeks Komposit (`5_🗺️_Port_Classification.py`)

Matriks 4-Kuadran: Pemetaan kuadran berbasis Volume Pelayanan vs Waktu Persetujuan:
- Kuadran I (Benchmark / Prima): Volume tinggi, waktu pemrosesan sangat cepat.
- Kuadran II (Efisien / Potensial): Volume rendah/sedang, operasional sangat cepat.
- Kuadran III (Berkembang / Perlu Pembinaan): Volume rendah, durasi layanan lambat.
- Kuadran IV (Padat / Perhatian Khusus): Volume padat, durasi layanan lambat (congested).
Composite Performance Index (CPI): Agregasi 4 sub-indeks dengan normalisasi Winsorized Min-Max ($P_5 - P_{95}$): Kepatuhan ($I_{\text{comp}}$), Efisiensi ($I_{\text{eff}}$), Konsistensi ($I_{\text{cons}}$), dan Ketahanan ($I_{\text{rob}}$).

5. Deteksi Anomali & EWS Fraud (`6_🛡️_Fraud_Risk_Screening.py`)

Tampilan Metrik Utama: Total PKK dievaluasi, % Red Flag, % Outlier Statistik, % Anomali ML, dan jumlah pelabuhan berkategori risiko tinggi.
Top-N CFRSI Ranking: Visualisasi bar chart pelabuhan paling berisiko beserta perbandingan 3 sub-indeks penyusunnya.
Filter Kategori Risiko: Penyaringan tabel interaktif berdasarkan 5 tingkat risiko (Sangat Rendah hingga Sangat Tinggi).
Unduh Data Hasil Audit: Tombol langsung untuk mengekspor data transaksi outlier statistik dan anomali multidimensi Machine Learning ke format CSV.
Simulasi / Demo Cepat: Tombol Generate Benchmark Dataset (257 Pelabuhan) untuk mencoba fitur analisis tanpa memerlukan data riil awal.
Integrasi 4 Pilar Anti-Fraud: Pedoman tata kelola operasional (Pencegahan, Deteksi, Investigasi, Evaluasi) sesuai rekomendasi OJK 2024 / Ditjen Hubla.

6. Arsitektur Basis Data Ganda (Dual-Mode)

SQLite Lokal (Default): Otomatis diinisialisasi pada ./data/inaportnet_local.db tanpa setup tambahan.
Supabase Cloud (PostgreSQL): Sinkronisasi data terpusat ke cloud dengan konfigurasi instan via GUI modal dashboard atau secrets.toml.
Ekspor Format Lengkap: Dukungan unduh basis data ke CSV, Excel multi-sheet, JSON, dan SQL Dump.

💻 Panduan Instalasi & Persiapan Lingkungan

Prasyarat Sistem

Sistem Operasi: Windows 10/11, macOS, atau Linux
Python: Versi 3.10, 3.11, 3.12, atau yang lebih baru
Git: Untuk kloning repositori

Langkah 1: Kloning Repositori

Buka terminal (PowerShell, Command Prompt, atau Bash), lalu jalankan:

git clone https://github.com/ekacs/inaportnetAnalytics.git
cd inaportnetAnalytics

Langkah 2: Buat dan Aktifkan Virtual Environment

Sangat disarankan menggunakan virtual environment agar dependensi proyek terisolasi:

Di Windows (PowerShell):

python -m venv inaportnetDashboard\venv
.\inaportnetDashboard\venv\Scripts\Activate.ps1

Tip

Jika muncul pesan execution policy error di PowerShell, jalankan perintah ini sekali:

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

Di Windows (Command Prompt `cmd`):

python -m venv inaportnetDashboard\venv
inaportnetDashboard\venv\Scripts\activate.bat

Di Linux / macOS (Bash / Zsh):

python3 -m venv inaportnetDashboard/venv
source inaportnetDashboard/venv/bin/activate

Langkah 3: Pasang Pustaka Dependensi

Pastikan virtual environment telah aktif, lalu pasang paket dependensi dari file requirements.txt:

cd inaportnetDashboard
pip install --upgrade pip
pip install -r requirements.txt

Note

Dependensi utama yang dipasang mencakup: streamlit, pandas, plotly, requests, supabase, openpyxl, lxml, scipy, numpy, scikit-learn, statsmodels, dan python-dotenv.

🚀 Panduan Penggunaan Dashboard (Langkah demi Langkah)

1. Menjalankan Server Dashboard

Pastikan terminal berada di direktori inaportnetDashboard, lalu ketik:

python -m streamlit run app.py

Setelah perintah dijalankan, browser Anda akan otomatis membuka alamat: 🌐 http://localhost:8501

2. Alur Kerja Penggunaan Aplikasi

  [ Beranda ] ──► Status Sistem & Ringkasan Eksekutif
       │
       ▼
 [ 1. Data Collection ] ──► Scraping Portal / Upload Data / Cek Kualitas Data (QC)
       │
       ├─────────────────────────┬─────────────────────────┬─────────────────────────┐
       ▼                         ▼                         ▼                         ▼
[ 3. Traffic ]           [ 4. Performance ]       [ 5. Classification ]      [ 6. Fraud Screening ]
Pola & Tren Volume      Kepatuhan Ambang SLA     Matriks 4 Kuadran & CPI    Model CFRSI & EWS Audit

Tahap A: Halaman Beranda (`app.py`)

Memeriksa status koneksi database (SQLite lokal aktif secara otomatis).
Melihat ringkasan eksekutif capaian transaksi nasional.
Menavigasi ke fitur-fitur analisis melalui menu sidebar atau kartu navigasi di halaman utama.

Tahap B: Pengumpulan & Validasi Data (`1_📊_Data_Collection.py`)

Anda dapat menyediakan data ke dalam sistem melalui salah satu dari cara berikut:

Scraping Portal Inaportnet:
- Buka tab Scraping Data.
- Pilih kode pelabuhan, jenis angkutan (Dalam Negeri / Luar Negeri), serta rentang bulan.
- Klik Mulai Scraping. Anda dapat memanfaatkan tombol Jeda (Pause) atau Stop sewaktu-waktu.
Unggah File Lokal:
- Buka tab Upload File.
- Unggah file berekstensi .csv, .xlsx, atau .parquet.
- File fisik akan langsung dicadangkan secara otomatis ke folder ./data/.
Memuat dari Database:
- Buka tab Load dari Database untuk memuat transaksi yang tersimpan di SQLite atau Supabase.
Inspeksi Kualitas Data (Data Quality QC):
- Gulir ke bawah pada halaman Data Collection untuk melihat ringkasan kualitas data: Error, Null, dan Duplikat.
- Klik tombol 🚨 Lihat Transaksi Error, 🚫 Lihat Transaksi Null, atau 🔄 Lihat Duplikat untuk meninjau baris data bermasalah dan mengunduhnya dalam format .csv.

Tahap C: Analisis Pola Lalu Lintas (`3_🚦_Traffic_Overview.py`)

Gunakan dropdown pelabuhan di bilah sisi kiri (sidebar) jika ingin memfokuskan analisis pada satu pelabuhan.
Telaah kontribusi volume pelabuhan pada grafik donat persentase nasional.
Pantau dinamika tren waktu pada grafik Kuartalan, Bulanan, Harian, dan 24 Jam harian.

Tahap D: Evaluasi SLA & Kinerja Layanan (`4_📋_Service_Performance.py`)

Sesuaikan slider Target SLA (menit) (misalnya 15 mnt, 30 mnt, atau 60 mnt) untuk melihat persentase kepatuhan secara real-time.
Amati sebaran distribusi waktu layanan pada bagan histogram.
Periksa daftar pelabuhan pada tabel Top 10 Pelabuhan Terlama sebagai bahan audit perbaikan alur pelayanan.

Tahap E: Pemetaan Kuadran Pelabuhan (`5_🗺️_Port_Classification.py`)

Amati posisi kuadran operasional masing-masing pelabuhan pada grafik scatter interaktif.
Pelajari rincian 4 sub-indeks performa: Kepatuhan, Efisiensi, Konsistensi, dan Ketahanan.
Manfaatkan tabel pemeringkatan Composite Performance Index (CPI) untuk pembandingan kinerja antar pelabuhan se-Indonesia.

Tahap F: Skrining Risiko Fraud & EWS (`6_🛡️_Fraud_Risk_Screening.py`)

Jika belum memuat data, klik tombol 🎲 Generate Benchmark Dataset (257 Pelabuhan) untuk langsung menyimulasikan data nasional.
Tab 1 (CFRSI): Periksa peringkat pelabuhan dengan risiko tertinggi dan tinjau penerapan 4 Pilar Anti-Fraud.
Tab 2 (Rule-Based Red Flags): Telusuri porsi pelanggaran terhadap 5 kriteria regulasi (persetujuan kilat, durasi panjang, minim pengawasan, manipulasi GT, kapal ganda).
Tab 3 (Statistical & ML Anomalies): Telaah hasil deteksi outlier regresi OLS (Z-score residual ekstrem) dan model Isolation Forest.
Klik 💾 Download Transaksi Outlier Statistik atau 💾 Download Transaksi Anomali Multidimensi untuk mengunduh daftar transaksi berindikasi anomali sebagai berkas kerja audit kepatuhan.

📜 Menjalankan Skrip Pipeline Riset (Standalone)

Selain antarmuka web dashboard, repositori ini menyediakan skrip Python mandiri pada folder scripts/ untuk mereproduksi tahapan riset ilmiah:

# Kembali ke direktori akar proyek
cd d:\Documents\inaportnetAnalytics

# 1. Menjalankan preprocessing dan perhitungan waktu persetujuan
python scripts/01_data_preprocessing.py

# 2. Menjalankan analisis statistik deskriptif
python scripts/02_descriptive_stats.py

# 3. Menghitung indeks kinerja layanan & tingkat kepatuhan SLA
python scripts/03_port_performance_calculation.py

# 4. Melakukan normalisasi Winsorized dan analisis 4 kuadran
python scripts/04_quadrant_analysis.py

# 5. Menjalankan engine CFRSI lengkap (Rule, Stat Z-Score, & Isolation Forest)
python scripts/05_fraud_risk_analysis.py

Hasil kalkulasi skrip akan disimpan dalam format grafik gambar pada folder outputs/.

🗄️ Konfigurasi Database (Dual-Mode)

Mode 1: SQLite Lokal (Bawaan / Default)

Dashboard dikonfigurasi menggunakan SQLite lokal secara out-of-the-box. Berkas database tersimpan di: inaportnetDashboard/data/inaportnet_local.db Tidak diperlukan konfigurasi akun atau jaringan internet untuk menjalankan mode ini.

Mode 2: Supabase Cloud PostgreSQL (Opsional)

Jika Anda ingin menyinkronkan data antar anggota tim di cloud:

Daftarkan proyek baru di Supabase.
Buka menu SQL Editor pada dashboard Supabase Anda, lalu eksekusi isi berkas inaportnetDashboard/supabase_schema.sql.
Hubungkan ke dashboard dengan salah satu opsi:
- Melalui Tampilan UI (Rekomendasi): Buka dashboard Streamlit, klik tombol Konfigurasi Supabase pada sidebar, masukkan URL dan Anon Key proyek Anda, lalu klik Hubungkan.
- Melalui Berkas Rahasia: Buat berkas inaportnetDashboard/.streamlit/secrets.toml:
```
SUPABASE_URL = "https://your-project-id.supabase.co"
SUPABASE_KEY = "your-anon-api-key"
```

🛠️ Tech Stack & Dependensi

Lapisan / Komponen	Teknologi	Deskripsi
Framework UI	Streamlit	Antarmuka interaktif berbasis Python
Visualisasi Data	Plotly Express & Graph Objects	Grafik interaktif (donut, line, bar, scatter matrix)
Pengolahan Data	Pandas & NumPy	Manipulasi matriks, pembersihan data, & agregasi
Machine Learning	Scikit-Learn	Deteksi anomali multidimensiIsolation Forest
Analisis Statistik	Statsmodels & SciPy	Regresi OLS, estimasi MAD, & Modified Z-Score
Penyimpanan Lokal	SQLite3	Database lokal dengan dukungan indeksasi
Penyimpanan Cloud	Supabase (PostgreSQL)	Layanan cloud database terdistribusi
Web Scraping	Requests & LXML	Penarikan data portal Inaportnet anti-deteksi

👥 Authors & Kontributor

Dikembangkan dengan dedikasi tinggi untuk modernisasi analitik logistik kemaritiman dan transparansi pelabuhan Indonesia:

Eka C. Setyawan — @ekacs
Rifki Wijaya — @rifkiwijaya12

☕ Dukungan & Kontribusi

Jika platform atau publikasi riset ini bermanfaat bagi studi, pekerjaan, atau penelitian Anda:

Berikan bintang (⭐) pada repositori ini di GitHub.
Silakan ajukan Issue atau Pull Request untuk saran perbaikan dan penambahan fitur.
Dukung penulis melalui tautan donasi / traktir kopi pada profil kontributor agar kami semakin semangat memperbarui dan mengembangkan inovasi analitik maritim Indonesia!

Name		Name	Last commit message	Last commit date
.vscode		.vscode
data		data
inaportnetDashboard		inaportnetDashboard
outputs		outputs
papers		papers
scripts		scripts
.gitattributes		.gitattributes
.gitignore		.gitignore
README.md		README.md
pyrightconfig.json		pyrightconfig.json
workflow.md		workflow.md

Latest commit

History

Folders and files

Repository files navigation

🚢 Inaportnet Analytics — Platform Analisis Operasional & Deteksi Risiko Fraud Pelabuhan Indonesia 2025

📑 Daftar Isi

📂 Struktur Repositori

🔬 Landasan Riset & Kerangka Kerja CFRSI

5 Aturan Operasional Red Flag (Dasar Regulasi)

✨ Fitur Utama Dashboard (v3.0)

1. Ingestion Data & Quality Control (1_📊_Data_Collection.py)

2. Analisis Lalu Lintas Kapal (3_🚦_Traffic_Overview.py)

3. Evaluasi Kinerja Layanan & SLA (4_📋_Service_Performance.py)

4. Klasifikasi Pelabuhan & Indeks Komposit (5_🗺️_Port_Classification.py)

5. Deteksi Anomali & EWS Fraud (6_🛡️_Fraud_Risk_Screening.py)

6. Arsitektur Basis Data Ganda (Dual-Mode)

💻 Panduan Instalasi & Persiapan Lingkungan

Prasyarat Sistem

Langkah 1: Kloning Repositori

Langkah 2: Buat dan Aktifkan Virtual Environment

Di Windows (PowerShell):

Di Windows (Command Prompt cmd):

Di Linux / macOS (Bash / Zsh):

Langkah 3: Pasang Pustaka Dependensi

🚀 Panduan Penggunaan Dashboard (Langkah demi Langkah)

1. Menjalankan Server Dashboard

2. Alur Kerja Penggunaan Aplikasi

Tahap A: Halaman Beranda (app.py)

Tahap B: Pengumpulan & Validasi Data (1_📊_Data_Collection.py)

Tahap C: Analisis Pola Lalu Lintas (3_🚦_Traffic_Overview.py)

Tahap D: Evaluasi SLA & Kinerja Layanan (4_📋_Service_Performance.py)

Tahap E: Pemetaan Kuadran Pelabuhan (5_🗺️_Port_Classification.py)

Tahap F: Skrining Risiko Fraud & EWS (6_🛡️_Fraud_Risk_Screening.py)

📜 Menjalankan Skrip Pipeline Riset (Standalone)

🗄️ Konfigurasi Database (Dual-Mode)

Mode 1: SQLite Lokal (Bawaan / Default)

Mode 2: Supabase Cloud PostgreSQL (Opsional)

🛠️ Tech Stack & Dependensi

👥 Authors & Kontributor

☕ Dukungan & Kontribusi

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages