Karhutla adalah salah satu penyebab kerusakan lingkungan di Indonesia dan mengganggu pencapaian SDG perubahan iklim yang menyebabkan kerugian sosial dan mengancam keselamatan masyarakat setempat. Ciri kebakaran karhutla adalah muncul secara mendadak, sulit untuk dipadamkan, dan membutuhkan waktu yang lama untuk hilang. Fenomena El Niño yang panjang pada tahun 2023 menyebabkan 487 kasus karhutla di Indonesia pada tahun 2023, menurut BNPB. Oleh karena itu, untuk menangani dan mencegah karhutla dengan baik, pemerintah dan masyarakat setempat harus bekerja sama. Informasi hotspot yang dirilis oleh satelit adalah dasar penelitian sebelumnya. Namun, tidak semua hotspot rawan kebakaran. Selain itu, penanggulangan kebakaran menggunakan pendekatan reaktif. Perlu adanya tindakan proaktif untuk memperkirakan pola kebakaran hutan dengan menggunakan teknik pembelajaran mesin dan penggabungan teknologi komputasi yang cepat dan ringan untuk memproses data yang dapat segera ditanggulangi pihak yang bertanggung jawab. Dalam kasus kebakaran lahan di lingkungan pertanian dengan tingkat false alarm yang sangat kecil, pendekatan arsitektur edge computing digunakan untuk menghasilkan keputusan cerdas. Selanjutnya, sistem diuji untuk meningkatkan kinerja sistem deteksi dengan menggunakan convolution network dan mengatur nilai Spearding factor (SF) perangkat node dengan menggunakan teknologi LoRaWAN. Pengujian awal melibatkan simulasi dataset kebakaran serta nilai SF pada perangkat LoRaWAN. Hasil awal menunjukkan bahwa dataset audio dengan teknik convolution network dapat digunakan untuk memprediksi kebakaran hutan dan lahan pertanian. Nilai confussion matrik yang dihasilkan berdasarkan parameter True Positive adalah 189 spectogram, True Negative adalah 335 spectogram, False Positive adalah 3 spectogram, dan False Negative adalah 25 spectogram ditemukan. Sementara itu, akurasi yang didapat adalah 94,93%, presisi 98,44%, recall 88,32%, dan nilai F1 adalah 93,04%. Untuk simulasi LoRa dalam mengirimkan paket data ke sensor node, nilai SF yang diuji secara berurutan adalah 7, 8, 9, 10, 11 dan 12. selanjutnya, Pengujian dilakukan selama 60 detik dengan interval waktu 10 milidetik. Jumlah perangkat yang digunakan beragam yaitu 5, 10, 25, 50, dan 100, dengan frekuensi 868 MHz digunakan. Kapasitas paket adalah sepuluh byte dan dua puluh lima byte, dan setiap perangkat sensor yang diprogram dapat mengirimkan satu paket selama dua detik. Nilai paket error masing-masing perangakat saat menggunakan komunikasi LoRaWAN secara bersamaan akan dilihat melalui simulasi ini. Hasil menunjukkan bahwa semakin banyak paket yang dikirimkan secara bersamaan, semakin besar kemungkinan terjadi tabrakan data yang berdampak pada paket yang gagal dikirim atau diterima. Selain itu, jaringa LoRaWAN akan mengalami beban trafik yang lebih besar, yang berdampak pada penurunan performa.

Kata Kunci: Convolution network, karhutla, LoRaWAN, machine learning, spreading factor.

An Improved Forest Fire Detection Model using Audio Classification and Machine Learning

Kreator & Penulis