Analisis Perbandingan Arsitektur CNN untuk Klasifikasi Area Pasca Karhutla Berdasarkan Citra Vegetasi
Date
2024Author
Arif, Ahmad Bintang
Sitanggang, Imas Sukaesih
Adrianto, Hari Agung
Metadata
Show full item recordAbstract
Kebakaran hutan dan lahan (karhutla) di Asia Tenggara, khususnya Indonesia, telah
menjadi perhatian utama karena dampaknya secara sosial, ekonomi, dan lingkungan.
Dengan luas lahan hutan Indonesia mencapai 95,561 juta hektar, negara ini rentan
terhadap karhutla. Karhutla menyebabkan kerusakan lingkungan yang merugikan
secara ekologi, ekonomi, sosial, dan politik. Untuk menilai kerusakan pasca
kebakaran, metode tradisional memerlukan waktu dan biaya besar. Sebagai
alternatif, Convolutional Neural Network (CNN) menjadi pilihan untuk
memprediksi area pasca karhutla. Penelitian ini membandingkan tujuh arsitektur
CNN, termasuk MobileNet V2, VGG-16, VGG-19, LeNet-5, AlexNet, ResNet-50,
dan Inception V3, dalam mengklasifikasikan citra vegetasi. Hasilnya, tiga model
terbaik adalah VGG-19, MobileNet V2, dan VGG-16 dengan akurasi lebih dari
90%. Untuk implementasi lebih lanjut, MobileNet V2 lebih cocok diterapkan ketika
membutuhkan akurasi yang tinggi dengan ukuran model yang ringan. VGG-19
dapat diterapkan ketika membutuhkan akurasi yang tinggi tanpa
mempertimbangkan ukuran model. Pertimbangan ini penting dalam memilih model
yang sesuai untuk aplikasi praktis penilaian area pasca karhutla.
Collections
- UT - Computer Science [2242]