Analisis Perbandingan Kinerja Metode Deep learning Pada Pendeteksian Citra Kebakaran Hutan

Hidayat, Taufik Nur (2024) Analisis Perbandingan Kinerja Metode Deep learning Pada Pendeteksian Citra Kebakaran Hutan. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (677kB)
	Text (Bab I Pendahuluan) Bab I Pendahuluan.pdf - Published Version Download (326kB)
	Text (Bab V Penutup) Bab V Penutup.pdf - Published Version Download (309kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (317kB)
	Text (Skripsi Full Text) Laporan Tugas Akhir - Taufik Nur Hidayat - 2010952009.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Kebakaran hutan merupakan bencana alam yang sering terjadi dan menimbulkan dampak serius terhadap ekologi maupun ekonomi. Metode deteksi tradisional yang mengandalkan pengamatan manusia sering kali terbatas dalam jangkauan visual dan rentan terhadap kesalahan. Dengan perkembangan teknologi, Computer Vision menawarkan solusi yang lebih cepat dan akurat untuk deteksi kebakaran hutan. Penelitian ini mengevaluasi dan membandingkan kinerja tiga metode deep learning, yaitu Faster RCNN, ResNet-50, dan YOLOv8, dalam mendeteksi objek api dan asap pada citra kebakaran hutan. Dataset yang digunakan berjumlah 5876 gambar yang dilabeli menggunakan platform Roboflow. Hasil evaluasi menunjukkan bahwa metode ResNet50-Faster RCNN mencapai akurasi tertinggi sebesar 94,63%, diikuti oleh YOLOv8 dengan akurasi 77.45%, dan Faster RCNN dengan akurasi 76,09%. Meskipun YOLOv8 unggul dalam kecepatan komputasi 0,02257 detik per gambar, ResNet50-Faster RCNN lebih andal dalam mendeteksi objek yang lebih kompleks. Berdasarkan hasil ini, YOLOv8 direkomendasikan untuk aplikasi real-time, sedangkan ResNet50-Faster RCNN lebih sesuai untuk aplikasi yang memprioritaskan akurasi.

Actions (login required)

View Item