Prediksi Wilayah Rawan Kebakaran Menggunakan Deep Learning

Abstract

Kebakaran hutan dan lahan merupakan masalah serius yang dapat merusak ekosistem, mengancam satwa liar, dan menyebabkan kerugian ekonomi. Penelitian ini bertujuan untuk mengembangkan prediksi wilayah rawan kebakaran menggunakan teknologi remote sensing dan deep learning. Dataset gambar wilayah Kanada yang terbakar sebelumnya digunakan untuk melatih model Convolutional Neural Network (CNN). Model-model CNN diperbandingkan dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1 Score. Hasil penelitian menunjukkan bahwa model MobileNet mencapai akurasi tertinggi sebesar 0,9640 dan waktu pelatihan yang singkat sebesar 114,04 detik. Model MobileNet juga berhasil melewati tahap validasi dengan akurasi sebesar 0,979, presisi sebesar 0,986, recall sebesar 0,973, dan F1 Score sebesar 0,978. Temuan ini menunjukkan bahwa model memiliki kinerja yang sangat baik dalam mengklasifikasikan wilayah yang berpotensi mengalami kebakaran di Kanada. Penelitian ini memberikan kontribusi penting dalam upaya mitigasi risiko kebakaran dan pengelolaan sumber daya alam di wilayah tersebut. Integrasi teknologi remote sensing dan deep learning menjadi solusi yang efektif untuk mengidentifikasi dan memprediksi daerah rawan kebakaran di masa depan.