Status: DIBEKUKAN pada commit ini, SEBELUM run inferensi/eksperimen pertama. Aturan perubahan: definisi di file ini tidak boleh diubah setelah melihat hasil apa pun. Perubahan hanya lewat bagian "Amandemen" di bawah (timestamp + alasan), tidak pernah senyap. Hash commit file ini dikutip di paper (§Rencana evaluasi).
Konteks pra-registrasi: paper penyisihan (submit 23 Jul 2026) telah menerbitkan target SEBELUM eksperimen apa pun ada: F1 lepas pantai >= 0,75; ABSTAIN rentang awal 10-25%; syarat mutlak nol klaim tanpa artefak. Target tersebut diperlakukan sebagai pra-registrasi publik dan dilaporkan apa adanya (tercapai atau tidak).
- HASIL NEGATIF DILAPORKAN. Angka yang meleset dari target tetap masuk paper dengan analisis penyebab. Tidak ada metrik yang diganti nama atau dihapus setelah data terlihat.
- KETIDAKPASTIAN WAJIB. Semua proporsi = pecahan mentah (x/N) + interval Wilson 95%. Semua agregat level-scene = bootstrap percentile 95% (B=1000, resample level scene, seed 20260809).
- SEED GLOBAL = 20260809 untuk semua sampling; RNG numpy default_rng.
- PEMISAHAN KALIBRASI/PELAPORAN. Ambang PASHA disetel HANYA pada set kalibrasi; set pelaporan dibekukan sebelum ambang dikunci (thresholds.lock.json + commit). Tidak ada angka set pelaporan yang dilihat sebelum ambang terkunci.
- ADJUDIKASI GANDA. Label buatan tim = 2 penilai independen, buta terhadap keluaran sistem, protokol tertulis per kasus; laporkan Cohen's kappa; selisih diputuskan diskusi terdokumentasi. Klaim headline tidak boleh bersandar HANYA pada label self-graded bila GT eksternal tersedia.
- LABEL SINTETIS DIUNGKAP. Semua injeksi/umpan balik sintetis diberi label "sintetis" di tabel dan kapsi; tidak pernah disajikan sebagai kejadian dunia nyata.
- DETERMINISME: diklaim HANYA untuk lapisan server (persepsi T1-T5, aturan zona, perhitungan status PASHA): hash keluaran identik lintas replay. Lapisan agen LLM TIDAK diklaim deterministik; yang diukur adalah STABILITAS KEPUTUSAN (§E5.4).
- Split latih/uji selalu dipisah pada unit yang mencegah kebocoran (scene untuk citra; MMSI untuk AIS). Baseline trivial (always-flag, random, majority) dilaporkan di samping setiap classifier.
- Perbandingan lintas-split DILARANG dalam satu tabel tanpa kolom "split" eksplisit; angka leaderboard holdout resmi xView3 hanya sebagai konteks bertanda.
- Semua run tercatat di manifests/ (run_id, commit, seed, slice data, tanggal, hardware); angka di paper harus tertelusur ke satu manifest.
- Bobot: solusi juara-1 xView3 (traced_ensemble.jit, MIT). Peran eksperimen: REPRODUKSI + KARAKTERISASI pada domain operasional; bukan klaim SOTA milik tim.
- Sertifikat paritas preprocessing: 1 scene xView3 vs produk CDSE identik (ID produk sama), pipeline praproses kami; metrik kecocokan = % deteksi berpasangan radius <= 100 m + delta confidence median. Lulus bila kecocokan >= 90%; bila gagal, praproses diperbaiki SEBELUM eksperimen lain dan sertifikat diulang.
- Permukaan evaluasi: subsampel split PUBLIC xView3, n = 27 scene, stratifikasi tercile proporsi deteksi dekat-pantai (dihitung dari LABEL, bukan prediksi), 9 scene per tercile, sampling default_rng(20260809) atas daftar scene terurut leksikografis. Daftar scene final dicatat di manifests/e1-scenes.txt SEBELUM inferensi pertama.
- Konfigurasi model: satu model terbaik dari ensemble (tanpa TTA) bila anggaran GPU menuntut; konfigurasi persis dicatat sebelum run dan berlaku untuk SEMUA kondisi.
- Kondisi sebanding (semua pada 27 scene yang sama): (a) reference model resmi (Faster-RCNN) DILATIH TIM mengikuti resep repo xview3-reference (repo tidak menyertakan bobot; pelatihan kami = janji training prelim ditepati di jalur deteksi), (b) bobot juara apa adanya, (c) juara + kalibrasi kepercayaan (§E1b).
- Metrik: F1 deteksi lepas-pantai, F1 dekat-pantai (TERPISAH, sesuai janji prelim),
skor agregat resmi xView3 dihitung metric.py resmi tanpa modifikasi. Rumus
(models/xview3-reference/reference/metric.py, fungsi aggregate_f, L367-392):
aggregate = loc_fscore * (1 + length_acc + vessel_fscore + fishing_fscore
- loc_fscore_shore) / 5; matching jarak 200 m; dekat-pantai = <= 2 km via kontur shoreline per scene (berkas .npy bawaan dataset).
- Catatan kontaminasi (README juara-1, dikutip): dilatih pada train+validation (4-fold leaky, distratifikasi jumlah fishing & near-shore); split PUBLIC bukan data latih tetapi permukaan seleksi leaderboard (skor juara public 0,603 vs holdout 0,617). Status ini dinyatakan eksplisit di kolom split tabel paper.
- Target pra-registrasi prelim: F1 lepas pantai >= 0,75 -> dilaporkan tercapai/tidak.
- Pergeseran domain Natuna (tanpa label): histogram confidence (bin 0,05), kerapatan deteksi per 1000 km2, proporsi dekat-pantai (<= 2 km dari land mask), dibandingkan distribusi sama pada 27 scene public; recall-proksi AIS: % kapal ber-AIS yang diketahui berada di footprint saat akuisisi (toleransi +-30 menit, interpolasi) yang mendapat deteksi <= 500 m [dependensi: ketersediaan AIS jendela akuisisi; bila tak tersedia, recall-proksi dibatalkan dan dinyatakan].
- Temperature scaling / isotonic pada subset kalibrasi TERPISAH dari 27 scene evaluasi
(scene kalibrasi n = 8, sampling seed sama, disjoint). Keluaran: reliability diagram
- ECE sebelum/sesudah; skor terkalibrasi menjadi bobot artefak deteksi di PASHA.
- Dilaporkan sebagai kurva latihan/fit + parameter; ini sekaligus JANJI TRAINING prelim yang ditepati di jalur deteksi.
- Data: dump DMA aisdk-2026-08-05 dan aisdk-2026-08-06 (terunduh; skema kolom tercatat di manifests/w1-hasil.json kunci dma). Unit = segmen kapal-hari. Split latih/uji BY MMSI 70/30, seed 20260809.
- Label nyata: (a) jeda transmisi: senyap > 6 jam saat underway (SOG > 1 kn sebelum senyap; varian > 12 jam dilaporkan juga); (b) ganti-identitas: satu MMSI dengan loncatan posisi berimplikasi kecepatan > 50 kn, ATAU pola tukar-dimensi.
- Injeksi sintetis (spoofing) PRA-REGISTRASI, digenerate SEBELUM detektor final: offset posisi dengan kecepatan tersirat log-uniform 1,0x-3,0x ambang kelayakan (sengaja mengangkangi ambang; sebagian HARUS lolos deteksi by design); rasio injeksi 5% segmen; seed 20260809. Dilabeli "sintetis" di semua tabel.
- Model: per jenis anomali, classifier ringan (HistGradientBoosting) ATAU aturan; komponen terlatih dicatat kurva latihannya (janji training).
- Metrik: precision/recall per jenis + kappa vs baseline trivial (always-flag, random-flag proporsional). Framing wajib: uji sensitivitas terkontrol (injeksi), domain Denmark dinyatakan + 1 kalimat validitas lintas-wilayah.
- Model temporal: HistGradientBoosting atas fitur segmen 6 jam (statistik SOG, laju belok, straightness, siang/malam) — menepati "model temporal" prelim.
- Label: GFW apparent fishing (4wings) sebagai label lemah [dependensi token GFW; fallback: is_fishing xView3 level deteksi, dinyatakan].
- Metrik: KONKORDANSI (bukan akurasi): agreement + Cohen's kappa vs label GFW, dengan kalimat plafon eksplisit (label = keluaran model GFW, bukan observasi).
- Alih muatan: UJI PARITAS IMPLEMENTASI definisi Miller (500 m / >= 2 jam / < 2 kn /
= 10 km dari labuh): suite kasus sintetis di sekitar tiap ambang (12 kasus, 6 positif 6 negatif by construction) -> implementasi wajib 12/12; plus jumlah kejadian nyata terdeteksi pada data DMA (dilaporkan tanpa klaim akurasi).
- GT utama: label korelasi xView3 (deteksi ber-source AIS = wajib-terasosiasi; manual-only = wajib-dark). Dependensi lintasan AIS jendela akuisisi: diuji <= 48 jam sejak akun GFW aktif; bila tak tersedia -> fallback PRA-DEKLARASI: kasus Natuna, n >= 30 pasangan, GT adjudikasi ganda.
- Metrik: precision/recall asosiasi; precision/recall identifikasi kandidat gelap; KONTROL NEGATIF: lintasan AIS di-shuffle antar-scene -> presisi asosiasi harus runtuh (dilaporkan berdampingan). Sekunder: Hungarian vs greedy nearest-neighbor.
- Komposisi (N >= 60): >= 45 investigasi dari scene xView3 berlabel (GT eksternal);
= 12 dari 3 scene Natuna CDSE (GT adjudikasi ganda); >= 3 kasus edge sintetis berlabel sintetis (SAR-only, AIS-only, bukti konflik). Komposisi final dicatat di manifests/e5-goldenset.json SEBELUM run pelaporan.
- Split: kalibrasi 15 investigasi (setel ambang; boleh diiterasi) vs PELAPORAN >= 45 (beku; tidak pernah dilihat saat menyetel). thresholds.lock.json + commit hash.
- Metrik utama: (a) KECUKUPAN EVIDENSIAL: % status yang dibenarkan artefak tersedia, per adjudikasi ganda buta (protokol tertulis per elemen); kappa antar-penilai dilaporkan. (b) LAJU KOROBORASI: % kandidat terkonfirmasi/terindikasi yang dikuatkan bukti independen yang TIDAK dipakai gerbang saat memutuskan. (c) DISTRIBUSI STATUS + laju ABSTAIN vs rentang pra-registrasi 10-25%. (d) SELECTIVE RISK: kurva risk-coverage pada >= 5 titik ambang (risk = 1 - presisi teradjudikasi non-ABSTAIN; coverage = 1 - laju ABSTAIN); ABSTAIN-layak: % kasus ABSTAIN yang memang ambigu menurut adjudikasi ganda.
- E5.4 STABILITAS KEPUTUSAN: k = 5 replay set pelaporan; agreement status PASHA, agreement himpunan artefak yang dirujuk, variasi naratif + varians token/latensi dilaporkan terbuka. Hash lapisan server wajib identik (determinisme terbatas §0.7).
- E5.5 A10: satu putaran umpan balik SINTETIS berlabel sintetis; yang diukur hanya properti mekanis (ambang bergeser sebesar nilai tercatat; status hilir dihitung ulang; jejak audit lengkap). TIDAK ADA klaim kenaikan akurasi.
- E5.6 Tabel penanganan galat dari log run (timeout, retry skema, scene hilang -> ABSTAIN komponen, jeda umpan data).
- Pada set pelaporan E5: konfigurasi SAR-saja, AIS-saja, fusi penuh.
- Dilaporkan: terkonfirmasi tercapai per lengan, kandidat terlewat per modalitas, kandidat khusus-fusi; Wilson CI; interpretasi wajib memimpin dengan angka terlemah.
- Leave-one-out 5 lapis (pemisahan persepsi; indeks grounding; status server; usia bukti; penyaring diksi + pemeriksa A8): tiap lapis dimatikan sendiri pada set pelaporan -> klaim tak-berartefak lolos + status salah, per lapis.
- 3 lengan gerbang: (i) tanpa gerbang, (ii) guardrail prompt-only terkuat (instruksi wajib-artefak, tanpa penegakan server; prompt dipublikasikan di repo), (iii) PASHA penuh.
- ERROR RATE GATE: matriks konfusi status prediksi vs status adjudikasi manusia; false-ABSTAIN dan false-CONFIRM dilaporkan terpisah.
- RED-TEAM 24 skenario pra-registrasi: 6 kapal-fiktif (tile kosong/artefak daratan), 6 prompt-injection via field data pihak ketiga (nama kapal/callsign berisi instruksi), 6 konflik sensor, 6 zona ambigu. Metrik: catch rate + biaya false-ABSTAIN. Daftar skenario dikomit sebelum dijalankan.
- VERIFIER INDEPENDEN: ekstraksi klaim + pencocokan artefak implementasi berbeda dari gerbang (LLM-judge); kalibrasi juri: audit manusia 50 klaim -> presisi juri dilaporkan; seluruh angka E7 memakai verifier ini, bukan checker gerbang.
- Instrumen checklist diturunkan dari: elemen alat bukti Pasal 184 KUHAP; syarat keandalan UU ITE Ps. 5-6; poin evidensial pedoman FAO VMS (1998); pola pembuktian Rouen (deteksi satelit + korelasi AIS + keterangan ahli). Item bernomor, kriteria terpenuhi/parsial/tidak + artefak berkas sebagai bukti.
- 2 penilai internal independen, buta silang; kappa; label WAJIB di paper: "audit kesesuaian terhadap kerangka terdokumentasi oleh tim; bukan penilaian pakar eksternal, bukan validasi keberterimaan di pengadilan".
- Usability (KONDISIONAL partisipan proxy non-tim tersedia, n >= 3): 4 tugas Pusat Komando, completion rate, waktu, SUS; partisipan dilabeli jujur. Bila tak ada: cognitive walkthrough terdokumentasi berlabel internal.
- 3 penilai (anggota tim, dilabeli transparan; + non-tim bila ada) x 4 kasus, desain counterbalanced (2 manual dulu, 2 VARUNA dulu per penilai).
- Kondisi manual: citra PNG + CSV AIS + GeoJSON zona + aturan status tertulis.
- Ukur: menit-ke-berkas; artefak tertaut benar (dari daftar GT); ketepatan status akhir vs adjudikasi. Dilaporkan sebagai rentang per penilai, bukan rerata tunggal.
- Terukur dari run: GPU-menit/scene (hardware dicatat), token/investigasi per agen, latensi E2E, biaya Rp per investigasi (harga resmi OpenAI + kurs BI, tanggal akses).
- TCO tahunan: rumus transparan, semua asumsi bernomor dan bersumber (jumlah scene IW/tahun per WPPNRI dari query katalog CDSE aktual; harga GPU sewa publik; 1 FTE analis dari standar gaji publik); dinyatakan sebagai % pagu Bakamla 2025 (ledger A7). Disajikan sebagai RENTANG.
- Peluang deteksi: dari kadens akuisisi terukur (query katalog CDSE, bbox Natuna), P(>= 1 akuisisi selama episode d hari) untuk d = 7/14/30; disandingkan dengan episode IOJI Mei-Agu 2025; kontribusi siklus cepat AIS dihitung terpisah.
- Swap on-prem: gpt-oss-20b (bobot terbuka OpenAI) via endpoint kompatibel-OpenAI (vLLM/Ollama) pada 10 investigasi set pelaporan; bila infrastruktur tak memadai, k diturunkan dan dicatat sebagai batasan -> delta kecukupan evidensial + delta biaya; klien kompatibel-OpenAI (janji prelim ditepati).
- Baseline arsitektur: single-agent monolitik (tool identik, satu prompt) vs 11 agen pada subset sama -> metrik keputusan + token + latensi; tabel biaya per agen.
- Shippy/Skylight: tanggal + area sama (scene Natuna 20 Jul 2026 bila tersedia di platform); tangkapan layar keluaran publik vs berkas VARUNA; tabel 3 kolom (pertanyaan terjawab, artefak tertaut, kesiapan penyidik). Bila akses Skylight butuh registrasi yang tidak tersedia, fallback: perbandingan terdokumentasi dari materi publik dengan tanggal akses, dinyatakan sebagai batasan.
- Cross-check GFW: deteksi SAR publik GFW pada footprint + tanggal sama; agreement rate radius 200 m; deteksi unik per pihak; TANPA klaim siapa benar (tak ada GT).
Temuan: API publik GFW tidak menyediakan lintasan titik AIS; resolusi terhalus = bucket jam per kapal per sel 4wings (dikonfirmasi empiris, manifests/w2). Konsekuensi: (i) Evaluasi asosiasi utama pindah ke pasangan scene Sentinel-1 Denmark 5 Agu 2026 (CDSE, katalog manifests/cdse-katalog-denmark.json) x lintasan titik DMA hari sama (data/processed/dma/trajectories.parquet). GT pasangan: adjudikasi ganda §0.5, n >= 30; kontrol negatif shuffle tetap berlaku. (ii) Jalur "GT korelasi xView3" untuk asosiasi DIBATALKAN sebagai eksperimen input-penuh: tanpa lintasan AIS sebagai masukan, Hungarian tidak dapat dijalankan pada scene xView3. Label source=ais/manual xView3 tetap dipakai sebagai konteks level-label (proporsi kandidat gelap), bukan evaluasi asosiasi. (iii) Di Natuna, kesesuaian deteksi-AIS dilaporkan hanya level bucket jam-sel, dilabeli "proksi kasar" (bukan metrik klaim).
Kondisi bawaan protokol terpicu (AIS titik jendela akuisisi tak tersedia): recall-proksi titik DIBATALKAN, diganti statistik kesesuaian bucket jam-sel (deskriptif). Sesuai klausa kondisional E1 yang sudah beku.
Sumber batas WPPNRI resmi (satupeta.kkp.go.id) tidak terjangkau dari jaringan saat ini. T4 demo memakai ZEE Marine Regions v12 (CC-BY, terverifikasi) + proxy WPP 711 bbox terdokumentasi. Masuk tabel Deviasi paper; produksi tetap mensyaratkan batas WPPNRI resmi.