Klasifikasi Citra Kebakaran Hutan Menggunakan Arsitektur ResNet-50 Berbasis Transfer Learning

Forest Fire Image Classification Using ResNet-50 Architecture Based on Transfer Learning

Abstrak

Kebakaran hutan dan lahan (karhutla) merupakan bencana lingkungan serius yang memerlukan sistem deteksi dini secara akurat dan efisien guna meminimalisir dampak kerusakan. Penelitian ini bertujuan untuk menguji keandalan dan efisiensi arsitektur ResNet-50 berbasis Transfer Learning dalam mengklasifikasikan citra digital kebakaran hutan ke dalam dua kelas biner (wildfire dan nowildfire). Dataset sekunder yang diunduh dari repositori terbuka Kaggle terlebih dahulu melalui tahap pra-pemrosesan, mencakup pemeriksaan integritas data (data integrity check) untuk menangani file gambar yang rusak/korup, pengubahan ukuran citra (resizing) menjadi 128 × 128 piksel, normalisasi nilai piksel, serta teknik augmentasi data acak. Dataset dibagi secara terpisah dengan proporsi rasio 70% data latih (30.250 citra), 15% data validasi (6.300 citra), dan 15% data uji (6.300 citra). Arsitektur ResNet-50 dikombinasikan dengan classification head buatan (Global Average Pooling 2D, Dense Layer 256 unit dengan ReLU, Dropout 0.4, dan Output Sigmoid) serta dilatih selama 5 epoch menggunakan optimizer Adam (default learning rate 1 × 10⁻³) dan fungsi kerugian Binary Cross-Entropy Loss. Evaluasi terhadap 6.300 citra uji independen menunjukkan bahwa model mampu mencapai Akurasi Keseluruhan sebesar 88%. Model terbukti memiliki sensitivitas tinggi terhadap kelas kebakaran (wildfire) dengan Recall sebesar 0.90 dan F1-Score sebesar 0.90 (berhasil mengenali 3.141 dari 3.480 citra kebakaran secara tepat). Pengujian Receiver Operating Characteristic (ROC) Curve menghasilkan nilai Area Under Curve (AUC) sebesar 0.92, yang menegaskan kemampuan pemisahan kelas (class separation ability) yang sangat unggul. Hasil ini membuktikan bahwa pendekatan Transfer Learning berbasis ResNet-50 sangat efektif dan efisien untuk diterapkan sebagai mesin pemrosesan visual utama pada sistem peringatan dini kebakaran hutan