Analisis Perbandingan Arsitektur CNN untuk Klasifikasi Area Pasca Karhutla Berdasarkan Citra Vegetasi

Abstract

Kebakaran hutan dan lahan (karhutla) di Asia Tenggara, khususnya Indonesia, telah menjadi perhatian utama karena dampaknya secara sosial, ekonomi, dan lingkungan. Dengan luas lahan hutan Indonesia mencapai 95,561 juta hektar, negara ini rentan terhadap karhutla. Karhutla menyebabkan kerusakan lingkungan yang merugikan secara ekologi, ekonomi, sosial, dan politik. Untuk menilai kerusakan pasca kebakaran, metode tradisional memerlukan waktu dan biaya besar. Sebagai alternatif, Convolutional Neural Network (CNN) menjadi pilihan untuk memprediksi area pasca karhutla. Penelitian ini membandingkan tujuh arsitektur CNN, termasuk MobileNet V2, VGG-16, VGG-19, LeNet-5, AlexNet, ResNet-50, dan Inception V3, dalam mengklasifikasikan citra vegetasi. Hasilnya, tiga model terbaik adalah VGG-19, MobileNet V2, dan VGG-16 dengan akurasi lebih dari 90%. Untuk implementasi lebih lanjut, MobileNet V2 lebih cocok diterapkan ketika membutuhkan akurasi yang tinggi dengan ukuran model yang ringan. VGG-19 dapat diterapkan ketika membutuhkan akurasi yang tinggi tanpa mempertimbangkan ukuran model. Pertimbangan ini penting dalam memilih model yang sesuai untuk aplikasi praktis penilaian area pasca karhutla.