KLASIFIKASI CITRA KEBAKARAN DAN NON KEBAKARAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Zaky Farhan Abror

doi:10.35760/tr.2019.v24i2.2389

KLASIFIKASI CITRA KEBAKARAN DAN NON KEBAKARAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Zaky Farhan Abror
Fakultas Teknologi Industri Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/tr.2019.v24i2.2389

Abstract

Kebakaran menimbulkan kerugian yang dapat membahayakan jiwa maupun harta benda. Lokasi dan waktu terjadinya kebakaran sulit untuk diprediksi. Citra dari kamera CCTV dapat digunakan untuk memantau terjadinya kebakaran pada suatu lokasi. Dengan pemanfaatan perkembangan teknologi saat ini, data citra tersebut dapat diolah sehingga memberikan informasi terjadinya kebakaran pada suatu lokasi dengan lebih cepat dibandingkan secara manual. Salah satu metode yang dapat digunakan dalam pengolahan citra kebakaran adalah deep learning Salah satu model deep learning yang memiliki kinerja terbaik dalam pengenalan dan klasifikasi citra yaitu Convolutional Neural Network (CNN). Penelitian terdiri dari beberapa tahap yaitu pengumpulan data, pra-pemrosesan data, pembagian data, perancangan arsitektur model CNN, pelatihan, pengujian, dan hasil. Jumlah data citra yang digunakan pada penelitian ini yaitu 950 citra yang terdiri dari 700 data pelatihan, 170 data validasi, dan 80 data pengujian. Arsitektur model CNN yang digunakan terdiri dari dua lapisan konvolusi dan dua lapiran pooling. Pada pelatihan, model dikenalkan dengan pola citra kebakaran dan non kebakaran kemudian divalidasi. Pada tahap pengujian, model mengklasifikasikan citra kebakaran dan non kebakaran. Tingkat akurasi model pada tahap pelatihan sebesar 98.8% dan pada tahap pengujian sebesar 90%.

Keywords

CNN, Deep Learning, Kebakaran, Klasifikasi

References

Badan Nasional Penanggulangan Bencana, Definisi dan jenis bencana, Jakarta, 2019.

D. Hardiyanto dan D. A. Sartika, “Identifikasi titik api menggunakan pengolahan citra foto udara,” Simposium Nasional RAPI XVII, FT UMS, 2018, hal 51 – 58.

J. Schmidhuber, “Deep learning in neural networks: an overview,” Neural Networks, vol. 61, hal. 85 – 117, 2015.

D. C. Ciresan, U. Meier, J. Masci, L. M. Gambardella, J, Schmidhuber, “Flexible, high performance convolutional neural networks for image classification,” Prosiding Twenty-Second International Joint Conference on Artificial Intelligence, 2011, hal. 1237 – 1242.

A. Krizhevsky, I. Sutskever, dan G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” Prosiding Advances in Neural Information Processing System (NIPS), 2012, hal. 1097 – 1105.

C. Zhang, I. Sargent, X. Pan, A. Gardiner, J. Hare, dan P. M. Atkinson, “VPRS-based regional decision fusion of CNN and MRF classifications for very fine resolution remotely sensed images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 45, no. 8, hal. 1 – 15, 2018.

F. Hu, G. S. Xia, J. Hu, dan L. Zhang, “Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery,” Remote Sensing, vol. 7, no. 11, hal. 14680 – 14707, 2015.

E. Maggiori, Y. Tarabalka, G. Charpiat, dan P. Alliez, “Convolutional neural networks for large scale remote-sensing image classification,” IEEE Transactions on Geoscience and Remote Sensing, vol. 5, no. 2, hal. 645 – 657, 2016.

I. W. E. P Suartika, A. Y. Wijaya, dan R. Soelaiman, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101,” Jurnal Teknik ITS, vol. 5, no. 1, hal. 65 – 69, 2016.

M. Setiawan, “Klasifikasi penyakit pada citra daun menggunakan convolutional neural networks,” Skripsi, Institut Pertanian Bogor, Bogor, 2018.

S. C. Pradana, “Implementasi convolutional neural network terhadap instrumen alat musik gamelan menggunakan keras,” Skripsi, Universitas Islam Indonesia, Yogyakarta, 2018.

C. Olston dan M. Najork, “Web crawling,” Foundations and Trends in Information Retrieval, vol. 4, no. 3, hal 176 – 246, 2010.