📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenPEMBANGUNAN PERANGKAT LUNAK UNTUK PREDIKSI RISIKO KEKERINGAN-KEBAKARAN LAHAN GAMBUT DENGAN PEMBELAJARAN MESIN
Kebakaran lahan gambut berdampak masif secara ekologis maupun ekonomi. Pendekatan pemadaman reaktif seringkali tidak efektif karena sifat api yang menjalar di bawah permukaan tanah. Penelitian ini bertujuan untuk membangun perangkat lunak sistem peringatan dini berbasis pembelajaran mesin untuk memprediksi risiko kekeringan dan kebakaran lahan gambut secara deret waktu dan spasial-temporal. Pengembangan sistem ini dibagi menjadi dua modul utama. Modul pertama difokuskan pada prediksi deret waktu menggunakan arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Hasil prediksi dikonversi ke dalam indeks kekeringan meliputi KBDI, Adjusted KBDI, mKBDI, dan PFVI. Modul kedua difokuskan pada prediksi spasial-temporal dari data raster satelit menggunakan arsitektur Convolutional LSTM (ConvLSTM). Pemodelan ini menerapkan Weighted Binary Cross-Entropy dan Focal Loss untuk mengatasi ketidakseimbangan kelas pada observasi titik api. Hasil evaluasi pada prediksi deret waktu menunjukkan bahwa model GRU secara konsisten lebih unggul dibandingkan LSTM dengan tingkat galat komputasi yang lebih rendah. Berdasarkan validasi lapangan, indeks PFVI dan mKBDI terbukti memiliki akurasi baik untuk lahan gambut tropis karena mampu mendeteksi status risiko ekstrem yang selaras dengan kemunculan titik api aktual. Indeks KBDI dan adjusted KBDI masih gagal dalam mendeteksi status risiko kemunculan titik api. Pada pemodelan spasial-temporal, arsitektur ConvLSTM terbukti efektif dalam memetakan probabilitas kerawanan lahan. Secara keseluruhan, perangkat lunak yang dibangun terbukti andal sebagai instrumen mitigasi peringatan dini untuk memetakan potensi bahaya secara presisi sebelum kebakaran benar-benar terjadi.
PENGEMBANGAN FITUR ALERT DAN VISUALISASI PADA SPRINKLER MONITORING SYSTEM BERBASIS IOT DENGAN INTEGRASI SENSOR
Pengembangan fitur alert dan visualisasi pada sprinkler monitoring system berbasis Internet of Things (IoT) di perusahaan XYZ dilakukan untuk mengatasi kelemahan dalam pengecekan sensor pendeteksi air pada perangkat sprinkler monitoring system yang saat ini dilakukan secara manual oleh PIC terkait. Tugas akhir ini bertujuan meningkatkan proses deteksi sensor secara otomatis sehingga memastikan kesiapan sprinkler dalam memadamkan api. Dengan mengganti metode pengecekan manual menjadi otomatis, data sensor langsung diintegrasikan ke dalam sistem. Sistem ini menggunakan Apache NiFi untuk pemrosesan dan pengiriman notifikasi, serta Grafana untuk visualisasi data. Setiap perubahan status sensor dapat dideteksi dengan cepat dan akurat, memungkinkan penanganan segera terhadap kondisi tidak seharusnya sensor. Analisis mendalam terhadap masalah pengecekan manual menunjukkan bahwa interval pemeriksaan yang panjang dapat meningkatkan risiko kebakaran yang tidak terdeteksi. Solusi yang diberikan adalah mengumpulkan data sensor secara kontinu, memprosesnya untuk mendeteksi kondisi di luar batas nilai yang seharusnya, dan menyajikannya dalam visualisasi yang mudah dipahami. Fitur alert mengirimkan notifikasi melalui email dan Telegram kepada PIC terkait kondisi di luar batas nilai yang seharusnya pada sensor. Implementasi sistem melibatkan integrasi sensor dengan Apache NiFi untuk pengelolaan data dan InfluxDB untuk penyimpanan data. Grafana digunakan untuk memvisualisasikan kondisi sprinkler di berbagai lokasi, serta membantu PIC dalam identifikasi dan penanganan masalah secara efisien. Evaluasi sistem menilai ketepatan dan kecepatan respons alert serta relevansi visualisasi data. Hasilnya menunjukkan bahwa sistem mampu memberikan notifikasi dan menyediakan informasi relevan pada visualisasi untuk pemantauan sprinkler. Sistem ini diharapkan dapat meningkatkan kesiapan sprinkler dalam mitigasi risiko kebakaran di perusahaan XYZ dan sejenisnya.