Article Details

PENGEMBANGAN SISTEM IDENTIFIKASI KEBAKARAN DARI UDARA BERBASIS KECERDASAN BUATAN VISUAL

Oleh   Hasna Afifa [13616007]
Kontributor / Dosen Pembimbing : Dr. Khairul Ummah, S.T., M.T.;Dr.-Ing. Javensius Sembiring, S.T., M.T.;
Jenis Koleksi : S1-Tugas Akhir
Penerbit : Teknik Dirgantara
Fakultas : Fakultas Teknik Mesin dan Dirgantara
Subjek : Engineering & allied operations
Kata Kunci : Kebakaran, Drone, Object Detection, YOLOv4, F1-score
Sumber : FTMD
Staf Input/Edit : Alice Diniarti   Alice Diniarti
File : 7 file
Tanggal Input : 21 Sep 2022

Generic placeholder image
BAB 1 Hasna Afifa

Terbatas
» Gedung UPT Perpustakaan

Generic placeholder image
BAB 2 Hasna Afifa

Terbatas
» Gedung UPT Perpustakaan

Generic placeholder image
BAB 3 Hasna Afifa

Terbatas
» Gedung UPT Perpustakaan

Generic placeholder image
BAB 4 Hasna Afifa

Terbatas
» Gedung UPT Perpustakaan

Generic placeholder image
BAB 5 Hasna Afifa

Terbatas
» Gedung UPT Perpustakaan


DKI Jakarta merupakan provinsi terpadat di Indonesia. Berdasarkan statistik, pada ibu kota negara ini telah terjadi sekitar 6.429 kebakaran disepanjang tahun 2020. Daerah yang padat ini membuat jarak antar rumah sangat berdekatan yang berpotensi mempercepat rambatan api dari satu rumah ke rumah lainnya. Untuk mengurangi kerugian karena kebakaran, diperlukan pemadaman dan penyelamatan dengan segera. Namun, truk pemadam tidak dapat menuju lokasi kebakaran karena akses jalan yang sempit. Pada permasalahan ini, pemanfaatan drone autonomus yang dikolaborasikan dengan pendeteksian api berbasis kecerdasan buatan visual dapat membantu penanggulangan bencana kebakaran. Dalam jangka panjang, diharapkan drone dapat terbang dengan sendirinya menuju titik kebakaran lalu melepaskan bom pemadam secara otomatis. Tugas sarjana ini mengeksplorasi ide pengidentifikasian api saat kebakaran dengan menggunakan pendekatan computer vision. Karena kecepatan pengidentifikasian sangat penting dalam kasus penanggulangan bencana, maka pembuatan model dalam penelitian ini menggunakan algoritma YOLOv4 yang dilatih di Google Colaboratory, yang tiap modelnya membutuhkan waktu 8-10 jam untuk training. Pada penelitian ini dibangun 8 model pengidentifikasian dengan masing-masing dataset siang, malam, siang malam, thermal, siang filter, malam filter, siang malam filter, dan thermal filter. Masing-masing dataset berisi 300-450 data berupa gambar dari sudut pandang atas dalam keadaan kebakaran dan tidak kebakaran, serta saat siang dan malam hari. Hasil penelitian menunjukkan bahwa model dengan dataset siang malam adalah model yang paling stabil diantara ketujuh model lainnya, karena model ini memiliki nilai F1-score rata-rata tertinggi untuk setiap pengujian.