ABSTRAK Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
COVER Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 1 Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 2 Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 3 Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 4 Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 5 Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
PUSTAKA Shafira Amaliyah
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Menurut Global Forest Watch, kebakaran hutan menjadi suatu masalah yang semakin
kompleks terkait dengan perubahan iklim. Oleh karena itu, diperlukan solusi yang efektif untuk
meminimalkan risiko kebakaran hutan dengan melakukan prediksi kebakaran secara dini dan
akurat. Deteksi titik api menggunakan wireless sensor dan metode multilaterasi dapat menjadi
salah satu alternatif solusi yang murah dan efektif. Pendekatan ini menggabungkan konsep
machine learning berdasarkan laju perubahan temperatur terhadap jarak untuk mengestimasi
jarak antara sensor dan titik api, serta menggunakan metode multilaterasi untuk menentukan
koordinat lokasi titik api. Hasil penelitian menunjukkan bahwa pendekatan machine learning
menggunakan algoritma regresi linear dapat memprediksi jarak titik api terhadap sensor dengan
baik pada area 120 x 120 cm. Selain itu, metode multilaterasi mampu mengestimasi posisi titik
api dengan cukup akurat menggunakan pendekatan least square. Pendekatan ini memberikan
akurasi estimasi posisi yang cukup baik dengan jarak offset rata-rata sebesar 2,09 cm
menunjukkan potensi pendekatan ini sebagai early warning system untuk kebakaran hutan.
Untuk penelitian lebih lanjut, dapat digunakan area penelitian yang lebih luas serta variasi lebih
kompleks dengan pendekatan fitting non-linear atau algoritma machine learning lain untuk
meningkatkan akurasi deteksi kebakaran hutan.