KHAKIM, Akhmad Fadlil (2025) Klasifikasi Kebakaran Hutan Menggunakan Arsitektur VGG16. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (78kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (5MB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (4MB)
	Text 4. KATA PENGATAR.pdf Download (4MB)
	Text 6. ABSTRAK.pdf Download (174kB)
	Text 7. ABSTRACT.pdf Download (114kB)
	Text 8. DAFTAR ISI.pdf Download (240kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (229kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (192kB)

Abstract

Deteksi dini kebakaran hutan merupakan aspek krusial dalam upaya mitigasi bencana.
Bencana dapat menimbulkan kerugian materi dan korban jiwa. Perkembangan deep
learning, khususnya Convolutional Neural Network (CNN), menawarkan solusi efektif
untuk klasifikasi citra objek. Penelitian ini bertujuan untuk membangun model klasifikasi
kebakaran menggunakan arsitektur VGG16 dengan mekanisme transfer learning dan
menentukan kombinasi hyperparameter terbaik untuk mendapatkan performa optimal.
Dataset yang digunakan adalah Fire dataset yang terdiri dari 1467 citra yang terbagi menjadi
dua kelas, yaitu fire dan non-fire. Penelitian ini melakukan serangkaian eksperimen dengan
membandingkan beberapa nilai hyperparameter, yaitu learning rate (0,001; 0,0001;
0,00001), dropout rate (0,4; 0,5; 0,6), dan batch size (8, 16, 32). Hasil dari 3 skenario
pelatihan menunjukkan bahwa kombinasi hyperparameter terbaik adalah learning rate
0,0001, dropout rate 0,6, dan batch size 16. Model dengan konfigurasi optimal ini berhasil
mencapai akurasi sebesar 97,96%, presisi 98,60%, recall 97,24%, dan F1-Score 97,92%
pada data pengujian. Hasil ini membuktikan bahwa arsitektur VGG16 dengan penyesuaian
hyperparameter yang tepat sangat efektif dan andal untuk tugas klasifikasi citra kebakaran
secara otomatis.
Kata kunci :Klasifikasi Objek, Kebakaran, VGG16, Hyperparameter, Transfer Learning.

Actions (login required)

View Item