Klasifikasi kebakaran hutan berbasis citra menggunakan Convolutional Neural Network

INDONESIA:

Kebakaran hutan merupakan salah satu bencana lingkungan yang berdampak besar terhadap ekosistem dan kehidupan manusia. Penelitian ini bertujuan untuk mengklasifikasikan citra kebakaran hutan menggunakan metode Convolutional Neural Network (CNN) serta menganalisis pengaruh variasi pembagian data dan perubahan arsitektur terhadap performa model. Dataset yang digunakan berasal dari Kaggle dengan total 1.900 citra yang terdiri atas dua kelas, yaitu fire dan non-fire. Data tersebut diproses melalui tahapan normalisasi dan augmentasi untuk meningkatkan keragaman data pelatihan. Model CNN yang digunakan merupakan model kustom dengan dua lapisan konvolusi dan klasifikasi biner. Penelitian ini dilakukan melalui dua jenis skenario: variasi rasio pembagian data pelatihan dan pengujian, serta variasi jumlah lapisan dan metode klasifikasi. Berdasarkan hasil pengujian, skenario terbaik untuk pembagian data diperoleh pada rasio 80:20 (skenario 2-A-Y) dengan akurasi sebesar 96%, sedangkan pada pengujian perubahan arsitektur, hasil terbaik dicapai oleh model dengan tiga lapisan konvolusi dan metode klasifikasi argmax (skenario 2-B-Z) dengan akurasi sebesar 97%. Selain itu, pengujian menggunakan metode K-Fold Cross Validation menunjukkan bahwa skenario 2-A-Y memiliki rata-rata akurasi sebesar 96,05% dan skenario 2-B-Z sebesar 95,89%, yang keduanya menunjukkan performa model yang stabil serta kemampuan generalisasi yang baik terhadap variasi distribusi data. Hasil ini membuktikan bahwa variasi pembagian data serta modifikasi arsitektur CNN dapat memberikan dampak signifikan terhadap akurasi klasifikasi citra kebakaran hutan.

ENGLISH:

Forest fires are one of the most significant environmental disasters, causing severe impacts on ecosystems and human life. This study aims to classify forest fire images using the Convolutional Neural Network (CNN) method and to analyze the effects of data partitioning variations and architectural modifications on model performance. The dataset used in this study was obtained from Kaggle, consisting of a total of 1,900 images divided into two classes: fire and non-fire. The images were processed through normalization and augmentation stages to enhance the diversity of the training data. The CNN model implemented in this study is a custom model consisting of two convolutional layers and a binary classification output. The research was conducted through two types of scenarios: variations in the training and testing data ratios, and variations in the number of layers and classification methods. Based on the results, the best scenario for data partitioning was achieved with a ratio of 80:20 (scenario 2-A-Y), reaching an accuracy of 96%, while the best result in the architectural modification test was obtained by the model with three convolutional layers and the argmax classification method (scenario 2-B-Z), achieving an accuracy of 97%. In addition, testing using the K-Fold Cross Validation method showed that scenario 2-A-Y had an average accuracy of 96.05%, and scenario 2-B-Z achieved 95.89%, both demonstrating stable model performance and good generalization capabilities across different data distributions. These results confirm that both data partitioning and CNN architecture modifications can significantly impact the accuracy of forest fire image classification.

ARABIC:

حرائق الغابات هي إحدى الكوارث البيئية التي لها تأثير كبير على النظم البيئية و حياة البشر. تهدف هذه الدراسة إلى تصنيف صور حرائق الغابات باستخدام طريقة الشبكة العصبية التلافيفية (CNN) و تحليل تأثير تباين تقسيم البيانات و تغيير البنية على أداء النموذج. تم الحصول على مجموعة البيانات المستخدمة من Kaggle و التي تضم 1900 صورة مقسمة إلى فئتين: حرائق و غير حرائق. تمت معالجة البيانات من خلال مراحل التطبيع و التوسيع لزيادة تنوع بيانات التدريب. النموذج CNN المستخدم هو نموذج مخصص ذو طبقتين من التحويل و تصنيف ثنائي. أجريت هذه الدراسة من خلال نوعين من السيناريوهات: تباين نسبة تقسيم بيانات التدريب و الاختبار، و تباين عدد الطبقات و طرق التصنيف. بناءً على نتائج الاختبار، تم الحصول على أفضل سيناريو لتقسيم البيانات بنسبة 80:20 (2-A-Y سيناريو) بدقة 96٪، بينما في اختبار تغيير البنية، تم تحقيق أفضل نتيجة من خلال النموذج ذي ثلاث طبقات التحويل و طريقة التصنيف argmax (2-B-Z سيناريو) بدقة 97٪. بالإضافة إلى ذلك، أظهرت الاختبارات باستخدام طريقة K-Fold Cross Validation أن السيناريو 2-A-Y حقق متوسط دقة بنسبة 96.05٪ و السيناريو 2-B-Z بنسبة 95.89٪، و كلاهما أظهر أداءً مستقرًا للنموذج و قدرة جيدة على التعميم تجاه تباين توزيع البيانات. تثبت هذه النتائج أن تنوع تقسيم البيانات و تعديل بنية CNN يمكن أن يكون له تأثير كبير على دقة تصنيف صور حرائق الغابات..