Text

SMART INDUSTRY: PENDEKATAN ARSITEKTUR EDGE COMPUTING BERBASIS MACHINE LEARNING DALAM DETEKSI DINI KEBAKARAN HUTAN DAN LAHAN

---

Kebakaran hutan merupakan bencana lingkungan dengan dampak ekologis, ekonomi, dan sosial yang signifikan secara global. Sistem deteksi konvensional berbasis visual (kamera) dan sensor asap memiliki keterbatasan dalam hal cakupan area, latensi deteksi, akurasi dalam kondisi lingkungan kompleks, dan ketergantungan pada infrastruktur komunikasi yang memadai. Penelitian ini mengusulkan pendekatan inovatif berupa sistem deteksi berbasis analisis audio yang memanfaatkan karakteristik akustik unik dari suara kebakaran untuk deteksi dini. Tantangan utama yang diatasi diantaranya 1) tingginya false alarm akibat kebisingan lingkungan alam, 2) keterbatasan bandwidth dan daya di area terpencil, dan 3) kebutuhan privasi data dalam skenario monitoring skala besar. Penelitian ini bertujuan mengembangkan sistem deteksi kebakaran lahan pertanian terintegrasi yang menggabungkan teknologi Edge Computing, Federated Learning, dan LoRaWAN untuk menciptakan solusi yang akurat dan terdistribusi. Kontribusi utama penelitian adalah 1) Arsitektur Sistem Terintegrasi yang memiliki desain sistem tiga layer (edge-gateway-cloud) yang mengoptimalkan pemrosesan data lokal dan komunikasi jarak jauh. 2) Model Deep Learning Terdistribusi untuk pengembangan model CNN khusus untuk klasifikasi audio kebakaran dengan mekanisme federated learning. 3) Optimasi untuk Environment Nyata menggunakan teknik pra-pemrosesan audio, reduksi false alarm, dan adaptasi model untuk kondisi lingkungan bervariasi. Penelitian mengadopsi metodologi dengan lima tahapan yaitu 1) Analisis state-of-the-art dan kompilasi dataset audio kebakaran (9.480 sampel) dan non-kebakaran (6.320 sampel). 2) Implementasi pipeline pemrosesan audio dengan ekstraksi fitur Mel Spectrogram, normalisasi, dan augmentasi data. 3) Pengembangan arsitektur CNN dan integrasi dengan framework federated learning. 4) Pengujian sistem terintegrasi dengan simulasi kondisi nyata termasuk variasi SNR, kondisi cuaca, dan kualitas jaringan. 5) Evaluasi statistik menggunakan validasi silang, uji signifikansi, dan analisis komparatif dengan baseline methods. Hasil penelitian berhasil mengembangkan sistem deteksi kebakaran hutan berbasis audio dengan akurasi 94,93% dan F1-Score 93,04% pada dataset dunia nyata. Model CNN yang diusulkan mencapai presisi 98,44%, menjamin tingkat false alarm yang sangat rendah. Temuan terjadi pada Recall 88,32% mengidentifikasi bahwa sebagian kecil kasus kebakaran tidak terdeteksi, terutama dalam kondisi lingkungan bising. Namun keunggulannya sangat signifikan terhadap berbasis visual dan komputasi tinggi dengan model yang ringan sehingga tepat untuk perangkat IoT berdaya rendah.

---

Availability

Detail Information

Series Title

-

Call Number

T1893292025

Publisher

Palembang : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya., 2025

Collation

xiv, 147 hlm.; ilus.; tab, 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

006.310 7

Content Type

Text

Media Type

-

Carrier Type

-

Edition

-

Subject(s)

Prodi Doktor Ilmu Teknik
Machine Learning--Deteksi Dini Kebakaran

Specific Detail Info

-

Statement of Responsibility

MI

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment