Laporkan Masalah

Sistem Deteksi Dini Kebakaran Hutan Menggunakan Electronic Nose (E-Nose) Berbasis Jaringan Saraf Tiruan (JST) Backpropagation

ZANDY YUDHA PERWIRA, Dr. Danang Lelono, S.Si., M.T.;Dr. Andi Dharmawan, S.Si., M.Cs.

2022 | Tesis | MAGISTER ILMU KOMPUTER

Kebakaran hutan menjadi penyebab menurunnya luas hutan Indonesia di setiap tahunnya. Dalam upaya minimalisir penurunan luas hutan, sistem deteksi kebakaran hutan telah dikembangkan dengan berbagai metode salah satunya menggunakan electronic-nose (e-nose) yang dipasang sebagai payload UAV. Metode deteksi saat ini hanya mengandalkan pada satu parameter tanda-tanda kebakaran hutan sehingga masih dimungkinkan terjadinya kesalahan dalam pendeteksian kebakaran hutan. Pada penelitian ini, detektor menggunakan hybrid e-nose dengan sensor debu, suhu, kelembapan, dan FLIR untuk menekan kesalahan pendeteksian serta penambahan jumlah kelas kebakaran hutan kayu dan non-hutan sehingga menghasilkan detektor kebakaran yang lebih akurat pada beragam jenis kebakaran hutan. Detektor ini memiliki masukan 5 buah sensor gas dan non-gas yang dibaca oleh mikrokontroller. Data pembacaan sensor tersebut dilakukan prapemrosesan data berupa pemotongan data, normalisasi baseline dan ekstraksi ciri. Empat ciri yang dihasilkan yaitu maksimum, difference, average, serta integral sebagai masukan model Jaringan Saraf Tiruan Backpropagation (JST-BP). Model JST-BP yang telah dilakukan pelatihan dan pengujian kemudian dilakukan evaluasi untuk memilih model yang terbaik untuk dilakukan pengujian deteksi beberapa titik api sekaligus dalam sekali terbang. Hasil pelatihan dengan masukan e-nose saja maupun seluruh sensor memiliki akurasi terbaik dengan ciri maksimum yaitu 95,15% dan 98,38%. Dari hasil tersebut menunjukkan bahwa hybrid e-nose dengan sensor tambahan menghasilkan akurasi yang lebih baik dan dapat mengurangi false alarm. Pengujian dilakukan 2 kondisi yaitu dengan 1 titik api dengan akurasi 98% dan 3 titik api 100% dalam membedakan jenis kebakaran. Sehingga detektor ini dapat secara baik mengetahui jenis kebakaran di beberapa titik dengan peningkatan akurasi serta menekan false alarm.

Forest fires are cause of declining forest area every year. To minimize it, forest fire detector has been developed recently in various methods which one of methods is using electronic nose (e-nose) as UAV's payload. The recent method of detection uses a paramater of forest fire's indication so it may be false alarm. In this study, the detector uses hybrid methods that contains of e-nose, dust, temperature, humidity, and FLIR sensor to minimize false detection and adds number of class to detect peat forest, wood forest, and non-forest fire so it becomes an accurate detector for various type of forest fire. This detector has 5 gas and 5 non-gas sensors accessed by microcontroller. The data of sensors are cut, normalized baseline, and extracted features in pre-processing data step. Four extracted features are maximum, difference, average, and integral, as input of Artificial Neural Network Backpropagation (ANN-BP). Trained and tested ANN-BP model are evaluated to choose the best model. The best model tested to detect several hot spots in one flight. The result with input only e-nose and hybrid is that a maximum feature has best accuracy 95,15% and 98,38%. From that result, it shows that hybrid method of detection can increase accuracy and minimize false alarm. The tests were did in 2 conditions. First condition with a hotspot that has 98% of accuracy of detection forest fire and second condition that has 100% accuracy of detection forest fires so it shows that this detector can increase accuracy and minimize false alarm.

Kata Kunci : deteksi, JST, e-nose, kebakaran, hutan, asap