KLASIFIKASI CITRA KEBAKARAN HUTANMENGGUNAKAN NEURAL NETWORK: STUDI PERBANDINGAN ARSITEKTUR RESNET-50 DAN VGG-16

Yudistira, Hernan (2026) KLASIFIKASI CITRA KEBAKARAN HUTANMENGGUNAKAN NEURAL NETWORK: STUDI PERBANDINGAN ARSITEKTUR RESNET-50 DAN VGG-16. Diploma thesis, Universitas Nasional.

	Text Cover.pdf Download (1MB)
	Text Bab I.pdf Download (307kB)
	Text Bab II.pdf Download (1MB)
	Text Bab III.pdf Download (3MB)
	Text Bab IV.pdf Download (1MB)
	Text Bab V.pdf Download (268kB)
	Text Lampiran.pdf Download (611kB)

Abstract

Kebakaran hutan merupakan bencana ekologis yang memerlukan
sistem deteksi dini yang akurat serta pengelolaan data yang aman
dan transparan. Meskipun Convolutional Neural Network (CNN)
telah banyak digunakan dalam klasifikasi citra kebakaran hutan,
sebagian penelitian sebelumnya menunjukkan performa ResNet-50
yang belum optimal serta belum memperhatikan integritas data.
Penelitian ini bertujuan membangun sistem klasifikasi citra
kebakaran hutan yang mengintegrasikan CNN dengan teknologi
InterPlanetary File System (IPFS) dan Blockchain untuk menjamin
keamanan serta sifat immutable data. Dua arsitektur, yaitu ResNet-
50 dan VGG-16, dibandingkan menggunakan metode Transfer
Learning pada dataset berimbang sebanyak 1.000 citra yang dibagi
menjadi data latih, validasi, dan uji. Setiap citra disimpan pada IPFS
untuk menghasilkan Content Identifier (CID) yang kemudian dicatat
ke Blockchain melalui smart contract. Hasil pengujian menunjukkan
bahwa ResNet-50 memperoleh accuracy 96%, precision 0,96, recall
0,96, dan F1-score 0,95, meningkat signifikan dibandingkan
penelitian sebelumnya, sedangkan VGG-16 memperoleh accuracy
91%, precision 0,91, recall 0,91, dan F1-score 0,91. Dari sisi
komputasi, ResNet-50 lebih efisien dengan ukuran model 93,5 MB
dan waktu inferensi 2,87 detik dibandingkan VGG-16 sebesar 204,7
MB dan 3,51 detik. Penelitian ini menyimpulkan bahwa integrasi
CNN dengan IPFS dan Blockchain menghasilkan sistem deteksi
kebakaran hutan yang akurat, efisien, aman, transparan, serta
berhasil meningkatkan performa ResNet-50 dibandingkan penelitian
terdahulu.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Irna Irna Yunita
Date Deposited:	28 Apr 2026 04:17
Last Modified:	28 Apr 2026 04:17
URI:	https://repository.unas.ac.id/id/eprint/15437

Actions (login required)

View Item