Rancang Bangun Quadcopter Drone Untuk Deteksi Api Menggunakan YOLOv4

Made Radikia Prasanta, Muhammad Yoga Pranata, Muhammad Aditya Firnanda, Siti Sendari

Sari

Kebakaran hutan dan lahan berdampak pada rusaknya ekosistem Menurut data dari Kementerian Lingkungan Hidup dan Kehutanan (KLHK), luas hutan Indonesia per tahun 2013 mencapai 128,5 juta hektar. Ironisnya, hutan di Indonesia setiap tahunnya terus menyusut diakibatkan oleh kebakaran hutan. Hal ini dapat dicegah dengan memanfaatkan UAV (Unmanned Aerial Vehicle) untuk melakukan pengamatan secara langsung melalui kamera. Penelitian ini dilakukan untuk mengembangkan prototype quadcopter drone yang dilengkapi dengan sistem deteksi api berbasis YOLOv4. Algoritma YOLOv4 adalah algoritma deep learning yang menerapkan jaringan syaraf konvolusional (CNN). YOLOv4 yang diskalakan adalah jaringan neural yang memiliki akurasi tertinggi dan memiliki kecepatan terhadap akurasi diseluruh rentang akurasi dan kecepatan. Metode penelitian yang dilakukan diawali dengan perancangan hardware quadcopter drone, perancangan sistem pengiriman data citra video, kemudian percancangan sistem deteksi api, dilakukan pengumpulan data citra api, pra processing data, rancangan konfigurasi arsitekutur YOLO, training data dan pengujian. Hasil penelitian menunjukan quadcopter drone yang terintegrasi dengan groundstation menggunakan algoritma YOLOv4 berhasil mendeteksi api dengan menghasilkan rata-rata akurasi sebesar 0.92. Akurasi terbaik didapat pada pengujian ke 3 dengan skor precision sebesar 0.96, skor recall sebesar 0.98 dan skor accuracy sebesar 0.96.

Teks Lengkap:

PDF

Referensi

BBC, Kebakaran hutan dan lahan kian meluas dan kabut asap semakin parah, BNPB kewalahan padamkan api, Available: https://www.bbc.com /indonesia/indonesia-49708970, 2019.

S. Andy, Faktor-Faktor Yang Mempengaruhi Kebakaran Hutan Di Indonesia dan Implikasi Kebijakannya, Universitas Gadjah Mada, Indonesia, 2015.

F. Rasyid, Permasalahan dan Dampak Kebakaran Hutan, Kementerian Lingkungan Hidup dan Kehutanan, 2014.

S.Y. Pradana, F. Utaminingrum, W. Kurniawan, Deteksi Titik Api Terpusat Menggunakan Kamera Dengan Notifikasi Berbasis Sms Gateway Pada Raspberry Pi, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, Vol. 2, No. 12, 2018.

P. Perkasa, Y. Aguswan, Use of Drone for Early Detection Means Land and Forest Fire, Jurnal Pendidikan Teknologi dan Kejuruan BALANGA. 2018.

K. Firdausy, Y. Saudi, T. Sutikno, Deteksi Api Real-Time Dengan Metode Thresholding Rerata RGB, Jurnal TELKOMNIKA. Vol. 5, No. 2, 2007.

O. E. Karlina and D. Indarti, “Pengenalan Objek Makanan Cepat Saji Pada Video Dan Real Time Webcam Menggunakan Metode You Look Only Once (Yolo),” J. Ilm. Inform. Komput., vol. 24, no. 3, pp. 199–208, 2019, doi: 10.35760/ik2019.v24i3.2362, 2019.

Arifin, Fatchul dkk, Rancang Bangun Quadcopter dilengkapi dengan Automatic Navigation GPS Control dan Camera Stabilizer sebagai alat bantu Monitoring Lalu Lintas dengan Live Streaming System. Fakultas Teknik, Universitas Negeri Yogyakarta, 2015.

O. Masurekar, O. Jadha, P. Kulkarni, S. Patil, Real Time Object Detection Using YOLOv3, International Research Journal of Engineering and Technology (IRJET), Volume: 07 Issue: 03, 2020


DOI: http://dx.doi.org/10.30651/cl.v5i1.10013

Refbacks

  • Saat ini tidak ada refbacks.