Skripsi/Tugas Akhir

Optimasi Model dengan Hyperparameter Tuning dan Callback pada Sistem Pendeteksi Api dan Asap Untuk Citra Kebakaran Hutan Menggunakan Algoritma CNN

---

Rating Anda tentang Buku ini!

---

ABSTRAK
Kebakaran hutan merupakan salah satu dampak dari semakin tingginya tingkat tekanan terhadap sumber daya hutan. Dampak yang berkaitan dengan kebakaran hutan adalah terjadinya kerusakan dan pencemaran lingkungan hidup, seperti terjadinya kerusakan flora dan fauna, tanah, dan air. Teknologi deteksi kebakaran hutan sangat dibutuhkan dalam tindakan preventif sebelum titik api menjadi lebih luas. Oleh sebab itu dibangunlah suatu model klasifikasi untuk mendeteksi api dan asap pada citra menggunakan Algoritma Convolutional Neural Network (CNN). Pada pembuatan model CNN juga dilakukan perbandingan model terhadap pengaruh Hyperparameter Tuning dan Callback dalam mengoptimasi kemampuan model dalam proses klasifikasi. Dari ke enam skenario perbandingan yang dibuat, model terbaik didapatkan pada data training 90% dan testing 10% yang juga dioptimasi Hyperparameter Tuning dan Callback, dengan nilai Validation Accuracy sebesar 97,27% dan Validation Loss 8,43%. Model ini yang juga kemudian diterapkan pada sistem interface.
Kata Kunci: Kebakaran Hutan, Convolutional Neural Network, Hyperparameter Tuning, Callback

ABSTRACT
Forest fires are one of the impacts of the increasing level of pressure on forest resources. Impacts related to forest fires are environmental damage and pollution, such as damage to flora and fauna, soil and water. Forest fire detection technology is urgently needed in preventive actions before the hotspots become more widespread. Therefore, a classification model was developed to detect fire and smoke in images using the Convolutional Neural Network (CNN) algorithm. In making the CNN model, a model comparison was also carried out on the effect of Hyperparameter Tuning and Callback in optimizing the model's ability in the classification process. Of the six comparison scenarios made, the best model is obtained at 90% training data and 10% testing which is also optimized for Hyperparameter Tuning and Callback, with a Validation Accuracy value of 97.27% and a Validation Loss of 8.43%. This model is also then applied to the system interface.
Keywords: Forest Fire, Convolutional Neural Network, Hyperparameter Tuning, Callback

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

--

No. Panggil

SKR 23-48 SUR o - 0517TI

Penerbit

Makassar : Universitas DIPA., 2023

Deskripsi Fisik

xiv + 81 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 23-48

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 01 September 2023

Subjek

Skripsi/Tugas Akhir
Convolutional Neural Network
Hyperparameter

Lampiran File