Sistem Cerdas Pendeteksi Dan Penghitung Jumlah Korban Bencana Alam Menggunakan Algoritma Deep Learning
Abstract
Proses kecepatan pencarian korban bencana alam merupakan faktor penting yang memengaruhi peluang korban untuk bertahan hidup. Sebagian besar lokasi yang terkena bencana alam akan sulit untuk diakses, dan saat ini tim penyelamat masih menggunakan alat berat untuk membuka akses tersebut. Hal ini membutuhkan waktu yang lama untuk menuju ke lokasi dan mencari korban. Pada penelitian ini, kami mengusulkan sebuah perangkat cerdas untuk membantu Badan Nasional Pencarian dan Pertolongan (BASARNAS) menggunakan drone yang dilengkapi dengan kamera untuk mencari korban bencana alam secara real-time. Dengan menggunakan perangkat cerdas yang dibuat ini, pencarian akan lebih efektif, karena ini dapat mempercepat tim penyelamat dalam mencari korban di lokasi bencana. Proses pendeteksian dan perhitungan jumlah korban dilakukan pada kamera menggunakan algoritma Convolutional Neural Network dan arsitektur You Only Look Once versi 4 (YOLOv4). Hasil dari penelitian ini adalah algoritma Convolutional Neural Network memiliki akurasi yang cukup tinggi yaitu sebesar 92,29% dalam mendeteksi kondisi korban. Selain itu tinggi kamera dan posisi dari kamera juga memengaruhi akurasi yang didapat, dimana hasil yang didapat dengan kamera statis memiliki akurasi yang cukup optimal yaitu sebesar 95%. Namun semakin tinggi kamera, akurasi akan semakin turun yaitu sebesar 67%.
Full Text:
PDF (Bahasa Indonesia)References
Imam A. Sadisun, Dr. Eng, “Pemahaman karakteristik bencana: Aspek fundamental dalam upaya mitigasi dan penanganan tanggap darurat bencanaâ€, Pusat Mitigasi Bencana – Institut Teknologi Bandung (ITB), Oktober 2018.
Didik Agys SP, Bencana Alam, Bencana Teknologi, Racun Dan Polusi Udara; Sebuah Tinlauan Psikologi Lingkungan, Buletin Psikologi, Vol. 13, No. 1, Juni 2018.
A. F. Aliek, M. Z. S. Hadi, N. R. Mubtadai, and A. Zainudin, “Intelligent System of Natural Disaster Victim Detection using Naïve Bayes Classifierâ€, Internationl Electronics Symposium (IES), 2021.
D. Yu-Nan and L. Guang-sheng, “Research and Discussion on Image Recognition and Classification Algorithm Based on Deep Learningâ€, International Conference Machine Learning, Big Data and Business Intelligence (MLBDBI), November 2019.
M. B. Berjiga, A. Zeggada, F. Melgani, “Convolutional Neural Network for Near Real-time Object Detection from UAV Imagery in Avalanche Search and Rescue Operationsâ€, International Geoscience and Remote Sensing Symposium (IGARSS), 2017.
I. A. Sulistijono, and A. Risnumawan, “From Concrete to Abstract: Multilayer Neural Networks for Disaster Victims Detectionâ€, International Electronics Symposium (IES), pp. 93-98, 2017.
I. A. Sulistijono, T. Imansyah, M. muhajir, E. Sutoyo, M. K. Anwar, E. Satriyanto, A. Basuki, and A. Risnumawan, “Implementation of Victims Detection Framework on Post Disaster Scenarioâ€, International Electronics Symposium on Engineering Technology and Application (IES-ETA), 2018.
D. Zhang, S. Sessa, R. Kasai, S. Cosentino, C. Giacomo, Y. Mochida, H. Yamada, M Guarnieri, and A. Takanishi, “Evaluation of a Sensor System for Detecting Humans Trapped under Rubble: Pilot Studyâ€, Multidisiplin Digital Publishing Institute (MDPI), 2018.
M. Zacharie, S. Fuji, and S. Minori, “Rapid Humnas Body Detection in Disaster Sites using Image Processing from Unmanned Aerial Vehicle (UAV) Camerasâ€, International Conference on Intelligent Informatics and Biomedical Science (ICIIBMS), 2018.
P. Malhotra and E. Garg, “Object Detection Techniques: A Comparisonâ€, International Conference on Smart Structures and Systems (ICSSS), 2020.
M. Adamu, M. Zen, R. Widyatra, P. Kristalina, and A. Pratiarso, “Smart Victims Detection in Natural Disaster Using Deep Learningâ€, International Electronics Symposium (IES), 2022.
Y. Lecun, Y. Bengio, and G. Hinton, “Deep Learningâ€, Nature Journal, vol. 521, no. 7553, pp. 436-444, 2017.
G. E. Hinton, “Deep Belife Networksâ€, Sholarpedia, vol. 4, no. 6, pp. 5947, 2019.
Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognitionâ€, Proc. IEEE, vol. 86, no. 11, pp. 2278-2324, 2015.
Y. Xin, L. Kong, Z. Liu, Y. Chen, Y. Li, H. Zhu, M. Gao, H. Hou, and C. Wang, “Machine Learning and Deep Learning Methods for Cybersecurityâ€, IEEE Access, vol. 20, no. 6, pp. 2169-3536, 2017.
J. S. W. Hutauruk, T. Matulatan, and N. Hayaty, “Vehicle detection in real time using the Android-based YOLO methodâ€, vol. 9, no. 1, pp. 8–14, 2020.
J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement.†2018.
Khairunnas, E. Mulyanto, dan A. Zaini, “Making a Human Object Detection Module Using the YOLO Method for Mobile Robotsâ€, Jurnal Teknik ITS, Vol.10, 2021.
A. K. Lapian, S. Sompie, and P. Manembu, “You Only Look Once (YOLO) Implementation for Signature Pattern Classificationâ€, Jurnal Teknik Informatika, vol. 16, n0. 3, pp. 337-346, 2021.
E. Bisong, “Training a Neural Networkâ€, 2019.
S. L. Rohit and B. V. Tank, “IoT Based Health Monitoring System Using Raspberry Pi – Reviewâ€, Interntional Conference on Inventive Communication and Computational Tehnologies (ICICCT), 2018.
DOI: https://doi.org/10.35314/isi.v8i1.3279
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.