Perbandingan Performansi Model Object Detection Yolo dalam Sistem Deteksi Kebakaran Hutan

Herlambang Eko Nugroho, Rupertus (2023) Perbandingan Performansi Model Object Detection Yolo dalam Sistem Deteksi Kebakaran Hutan. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (553kB)
	PDF BAB_I.pdf Download (330kB)
	PDF BAB_II.pdf Download (475kB)
	PDF BAB_III.pdf Download (375kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (939kB)
	PDF BAB_V.pdf Download (305kB)
	PDF DAFTAR_PUSTAKA.pdf Download (314kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (621kB)

Abstract

Menurut data Kementerian Lingkungan Hidup dan Kehutanan (KLHK), hutan Indonesia akan seluas 125,76 juta hektar (ha) pada tahun 2022, setara dengan sekitar 62,97% dari luas daratan Indonesia yang berjumlah 191,36 juta hektar. Selama periode 2016-2021, kebakaran hutan dan lahan terparah terjadi pada tahun 2019 seluas 1.649.258 hektar, meningkat 311% dibandingkan periode yang sama tahun lalu. Upaya pencegahan kebakaran hutan dapat dilakukan melakukan pemantauan dan patroli di kawasan rawan kebakaran hutan. Namun ada risiko terjadinya kebakaran di tempat yang sulit diprediksi dan tidak dapat diakses melalui pemantauan. Oleh sebab itu untuk membantu pemantauan kawasan hutan dibuatlah sebuah sistem yang dapat membantu pemantauan kawasan hutan dengan memanfaatkan pemrograman machine learning dan algoritma YOLO. Dalam penelitian ini penulis membandingkan model YOLOv5 dan YOLOv7 dalam melakukan deteksi objek kebakaran hutan. Model object detection YOLOv7 secara overall memiliki performance yang lebih unggul dibandingkan dengan YOLOv5s. YOLOv7 memperoleh nilai [email protected] sebesar 0.851 dan [email protected]:0.95 sebesar 0.474, sedangkan untuk model YOLOv5s nilai [email protected] berada di 0.843 dan [email protected]:0.95 pada 0.465. precision YOLOv5 sebesar 0.920 dan YOLOv7 sebesar 0.831. Recall YOLOv5 sebesar 0.95 dan YOLOv7 sebesar 0.96. Sedangkan F1-Score YOLOv5 sebesar 0.348 dan YOLOv7 sebesar 0.411.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deteksi Objek, Kebakaran Hutan, YOLOv5, YOLOv7, mAP, Recall, Precesion, F1-score
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	06 Nov 2024 02:59
Last Modified:	06 Nov 2024 02:59
URI:	https://kc.umn.ac.id/id/eprint/32296

Actions (login required)

View Item