Navigasi kapal otonom memerlukan sistem deteksi rintangan yang andal untuk menghindari tabrakan dan menjaga keselamatan operasional selama pelayaran. Salah satu pendekatan yang digunakan dalam pengembangan sistem ini adalah penerapan model deep learning Faster R-CNN, yang dikenal memiliki performa tinggi dalam mendeteksi objek pada citra visual. Dataset yang digunakan berasal dari Obstacle Detection in a Marine Environment, yang berisi kumpulan gambar maritim dengan anotasi berbagai jenis rintangan yang umum dijumpai di laut. Proses anotasi dilakukan menggunakan Roboflow, sebuah platform yang mempermudah proses pelabelan objek, dan hasil anotasi diformat menggunakan standar COCO. Dataset dibagi menjadi tiga bagian utama, yaitu data pelatihan, validasi, dan pengujian untuk memastikan model mampu melakukan generalisasi dengan baik. Model Faster R-CNN dilatih menggunakan dataset tersebut dan dievaluasi berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan performa yang sangat baik, dengan akurasi mencapai 96,00%, precision sebesar 99,20%, recall 96,00%, dan F1-score 97,41%. Capaian ini menunjukkan bahwa sistem deteksi yang dikembangkan mampu mengidentifikasi rintangan secara efektif, sehingga dapat mendukung peningkatan keselamatan navigasi maritim kapal otonom dalam berbagai kondisi lingkungan maritim.
Kata Kunci: Deteksi Rintangan, Kapal Otonom, Faster R-CNN, Deep Learning, Navigasi Maritim.