Analisis Kritis Performa Yolov8n, Mobilenetv3, dan Resnet50 Untuk Klasifikasi Citra Kebakaran Hutan: Pendekatan Deep Learning Untuk Mitigasi Bencana

Hidayat, Muhammad Rizky Amirullah (2026) Analisis Kritis Performa Yolov8n, Mobilenetv3, dan Resnet50 Untuk Klasifikasi Citra Kebakaran Hutan: Pendekatan Deep Learning Untuk Mitigasi Bencana. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (713kB)
	Text BAB II.pdf Download (765kB)
	Text BAB III.pdf Download (3MB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (616kB)
	Text LAMPIRAN.pdf Download (862kB)

Abstract

Kebakaran hutan dan lahan (karhutla) merupakan bencana tahunan dengan
dampak destruktif yang memerlukan sistem deteksi dini cepat dan akurat.
Tantangan utama dalam deteksi visual adalah tingginya tingkat alarm palsu (false
alarm) akibat kemiripan fitur antara asap dengan elemen pengecoh seperti awan.
Penelitian ini bertujuan untuk melakukan analisis kritis terhadap performa tiga
arsitektur Deep Learning lintas generasi, yaitu YOLOv8n-cls, MobileNetV3-Small,
dan ResNet50, dalam mengklasifikasikan lima kategori citra: Fire, Smoke, Cloud,
Normal, dan Risky. Metode eksperimen dilakukan menggunakan Dataset
Terintegrasi Mitigasi Karhutla Multi-Kelas (DTM-KM) yang berjumlah 5.000 citra
dengan rasio pembagian data 80:10:10. Hasil penelitian menunjukkan bahwa
arsitektur YOLOv8n-cls memberikan performa paling unggul dengan tingkat
akurasi sebesar 95,2%, nilai Matthews Correlation Coefficient (MCC) 0,941, dan
Cohen’s Kappa 0,940. Dari aspek efisiensi komputasi, MobileNetV3-Small
mencatatkan waktu inferensi tercepat yaitu 0,71 ms per citra. Namun, YOLOv8n�cls direkomendasikan sebagai model paling optimal untuk sistem peringatan dini
karena menawarkan keseimbangan terbaik antara keandalan statistik tinggi dan
kecepatan pemrosesan yang memadai (~100 FPS). Implementasi purwarupa sistemKebakaran hutan dan lahan (karhutla) merupakan bencana tahunan dengan
dampak destruktif yang memerlukan sistem deteksi dini cepat dan akurat.
Tantangan utama dalam deteksi visual adalah tingginya tingkat alarm palsu (false
alarm) akibat kemiripan fitur antara asap dengan elemen pengecoh seperti awan.
Penelitian ini bertujuan untuk melakukan analisis kritis terhadap performa tiga
arsitektur Deep Learning lintas generasi, yaitu YOLOv8n-cls, MobileNetV3-Small,
dan ResNet50, dalam mengklasifikasikan lima kategori citra: Fire, Smoke, Cloud,
Normal, dan Risky. Metode eksperimen dilakukan menggunakan Dataset
Terintegrasi Mitigasi Karhutla Multi-Kelas (DTM-KM) yang berjumlah 5.000 citra
dengan rasio pembagian data 80:10:10. Hasil penelitian menunjukkan bahwa
arsitektur YOLOv8n-cls memberikan performa paling unggul dengan tingkat
akurasi sebesar 95,2%, nilai Matthews Correlation Coefficient (MCC) 0,941, dan
Cohen’s Kappa 0,940. Dari aspek efisiensi komputasi, MobileNetV3-Small
mencatatkan waktu inferensi tercepat yaitu 0,71 ms per citra. Namun, YOLOv8n�cls direkomendasikan sebagai model paling optimal untuk sistem peringatan dini
karena menawarkan keseimbangan terbaik antara keandalan statistik tinggi dan
kecepatan pemrosesan yang memadai (~100 FPS). Implementasi purwarupa sistem deteksi dini berbasis web membuktikan bahwa model ini fungsional untuk
mendukung upaya mitigasi bencana kebakaran hutan secara otomatis dan real-time.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Delvy Aplirizani -
Date Deposited:	26 May 2026 03:01
Last Modified:	26 May 2026 03:01
URI:	https://repository.unas.ac.id/id/eprint/16296

Actions (login required)

View Item