Pendeteksi Banjir Dengan Image Processing Berbasis Convolutional Neural Network (CNN) pada Kamera Pengawas
Image Processing Based Flood Detector Using Convolutional Neural Network (CNN) Within Surveillance Camera
DOI:
https://doi.org/10.57152/malcom.v2i2.382Keywords:
Bencana Banjir, Convolutional Neural Network, Image Processing, Kamera Pengawas, Mitigasi BencanaAbstract
Kondisi alam seperti geografis, geologis, dan hidrologis lingkungan dan kondisi demografis kehidupan manusia dan kondisi klimatologis cuaca memungkinkan terjadinya bencana alam sehingga dapat menimbulkan kerugian harta benda, kerusakan lingkungan serta menyebabkan timbulnya korban jiwa. Kondisi geografis Indonesia yang dikelilingi oleh lautan dan banyak dialiri sungai mengakibatkan Indonesia memiliki banyak titik rawan banjir. Sebagai upaya unyuk mengurangi dan/atau menghilangkan ancaman bencana banjir, diperlukan kesiapsiagaan dalam mengantisipasi bencana. Peringatan dini akan kemungkinan terjadinya bencana banjir pada suatu tempat merupakan bagian upaya mitigasi bencana. Teknologi image processing dapat menjalankan tugas untuk melakukan pengenalan gambar dari input data yang diberikan. Keunggulan algoritma Convolutional Neural Network (CNN) dalam menjalankan tugas pengenalan gambar karena algoritma CNN memiliki struktur neuron deep layers dan proses pelatihan data berulang. Penambahan fungsi pada kamera pengawas dengan ditambahkan sistem image processing sebagai pendeteksi dini kemungkinan bencana banjir dan ditambahkan dengan pembacaan temperatur, kelembapan udara, dan kualitas udara pada lingkungan sekitar kamera pengawas menjadikannya sebagai sebuah fasilitas untuk meningkatkan kualitas hidup masyarakat dan bentuk mitigasi bencana. Pemrosesan citra yang ditangkap oleh kamera pengawas dan sensor ultrasonik untuk mengukur level ketinggian air menghasilkan pembacaan kemungkinan terjadinya bencana banjir yang akurat, sehingga dapat memberikan peringatan dini untuk dapat mengurangi dan/atau bahkan menghilangkan ancaman bencana.
References
Indonesia. Undang-Undang Nomor 24 Tahun 2007 tentang Penanggulangan Bencana. Lembaran Negara RI Tahun 2007 Nomor 66, Tambahan Lembaran RI Nomor 4723. Sekretariat Negara. Jakarta.
“Analisis faktor lingkungan penyebab banjir Kota Palembang.” http://etd.repository.ugm.ac.id/penelitian/detail/26680 (accessed Apr. 26, 2022).
H. Riza, E. W. Santoso, I. G. Tejakusuma, F. Prawiradisastra, and P. Prihartanto, “Utilization of Artificial Intelligence To Improve Flood Disaster Mitigation,” J. Sains dan Teknol. Mitigasi Bencana, vol. 15, no. 1, pp. 1–11, 2020, doi: 10.29122/jstmb.v15i1.4145.
A. Kholik, “Klasifikasi Menggunakan Convolutional Neural Network (Cnn) Pada Tangkapan Layar Halaman Instagram,” Jdmsi, vol. 2, no. 2, pp. 10–20, 2021.
O. Bayat, S. Aljawarneh, H. F. Carlak, International Association of Researchers, Institute of Electrical and Electronics Engineers, and Akdeniz U?niversitesi, Proceedings of 2017 International Conference on Engineering & Technology (ICET’2017)?: Akdeniz University, Antalya, Turkey, 21-23 August, 2017.
Z. Qin, F. Yu, C. Liu, and X. Chen, “How convolutional neural network see the world - A survey of convolutional neural network visualization methods,” Apr. 2018, [Online]. Available: http://arxiv.org/abs/1804.11191
T. Liu, S. Fang, Y. Zhao, P. Wang, and J. Zhang, “Implementation of Training Convolutional Neural Networks.”
M. Egmont-Petersen, D. de Ridder, and H. Handels, “Image processing with neural networks-a review,” 2002. [Online]. Available: www.elsevier.com/locate/patcog
S. N. K. B. Amit and Y. Aoki, “Disaster detection from aerial imagery with convolutional neural network,” in Proceedings - International Electronics Symposium on Knowledge Creation and Intelligent Computing, IES-KCIC 2017, Dec. 2017, vol. 2017-January, pp. 239–245. doi: 10.1109/KCIC.2017.8228593.
K. Khosravi et al., “Convolutional neural network approach for spatial prediction of flood hazard at national scale of Iran,” Journal of Hydrology, vol. 591, Dec. 2020, doi: 10.1016/j.jhydrol.2020.125552.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks.” [Online]. Available: http://code.google.com/p/cuda-convnet/
V. F. Dr. Vladimir, “BAB II Tinjauan Pustaka BAB II TINJAUAN PUSTAKA 2.1. 1–64,” Gastron. ecuatoriana y Tur. local., vol. 1, no. 69, pp. 5–24, 2019.
Y. Triawan and J. Sardi, “Perancangan Sistem Otomatisasi Pada Aquascape Berbasis Mikrokontroller Arduino Nano,” JTEIN J. Tek. Elektro Indones., vol. 1, no. 2, pp. 76–83, 2020, doi: 10.24036/jtein.v1i2.30.
I. W. A. W. K. Heru Purwanto, Malik Riyadi, Destiana Windi Widi Astuti, “Komparasi Sensor Ultrasonik HC-SR04 Dan JSN-SR04T Untuk Apikasi Sistem Deteksi Ketinggian Air,” J. SIMETRIS, vol. 10, no. 2, pp. 717–724, 2019.
P. A. B. Bangun, “UNIVERSITAS SUMATERA UTARA Poliklinik UNIVERSITAS SUMATERA UTARA,” J. Pembang. Wil. Kota, vol. 1, no. 3, pp. 82–91, 2018.
“IMPLEMENTASI DEEP LEARNING UNTUK IMAGE CLASSIFICATION MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CITRA WAYANG GOLEK.”
