PENERAPAN DROPOUT PADA JARINGAN SARAF TIRUAN BACKPROPAGATION DALAM MENGKLASIFIKASI TINGKAT FINE FUEL MOISTURE CODE (FFMC) UNTUK KEBAKARAN HUTAN DAN LAHAN
| Main Authors: | Guntoro, Irwan, Midyanti, Dwi Marisa, Hidayati, Rahmi |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Universitas Tanjungpura
, 2022
|
| Online Access: |
http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/52734 http://jurnal.untan.ac.id/index.php/jcskommipa/article/view/52734/75676593082 |
Daftar Isi:
- Sistem Peringkat Bahaya Kebakaran hutan/lahan (SPBK) merupakan sistem peringatan dan deteksi dini kebakaran hutan/lahan di Indonesia. SPBK telah dikembangkan di Indonesia melalui penerapan Fire Weather Index (FWI). FWI terdiri dari 3 buat komponen, yaitu Fine Fuel Moisture Code (FFMC), Duff Moisture Code (DMC), dan Drought Code (DC). FFMC merupakan indikator potensi penyulutan api menjadi kebakaran hutan/lahan. FFMC memiliki empat kelas, yaitu rendah, sedang, tinggi, dan ekstrim. Tingkat FFMC dapat diklasifikasi berdasarkan 4 faktor yang mempengaruhi FFMC, yaitu suhu, curah hujan, kelembapan udara, dan kecepatan angin. Algoritma backpropagation merupakan metode klasifikasi yang dapat digunakan dalam mengklasifikasi tingkat FFMC. Algoritma backpropagation merupakan salah satu jaringan saraf tiruan yang digunakan untuk mengklasifkasi data. Penelitian ini menerapkan metode dropout pada algoritma. Metode dropout digunakan untuk mengurangi overfitting pada saat pelatihan jaringan saraf tiruan. Penelitian menggunakan data atribut suhu udara, kelembaban udara, kecepatan angin, dan curah hujan untuk diklasifikasi pada kelas FFMC. Dari hasil percobaan, performa model terbaik yang dihasilkan selama pelatihan JST adalah learning rate 0,5, iterasi 1000, MSE = 0,377, dan overfitting = 0,1408. Hasil klasifikasi kelas FFMC dengan menggunakan 557 data uji diperoleh tingkat akurasi sebesar 61.265%.