SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER VISION MENGGUNAKAN ALGORITMA HAAR CASCADE DENGAN NOTIFIKASI BOT TELEGRAM SKRIPSI IKHWANUL KHOIR PULUNGAN 161402012 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2021 Universitas Sumatera Utara
121
Embed
SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER …
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER
VISION MENGGUNAKAN ALGORITMA HAAR CASCADE DENGAN
NOTIFIKASI BOT TELEGRAM
SKRIPSI
IKHWANUL KHOIR PULUNGAN
161402012
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2021
Universitas Sumatera Utara
SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER VISION
MENGGUNAKAN ALGORITMA HAAR CASCADE DENGAN NOTIFIKASI
BOT TELEGRAM
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
IKHWANUL KHOIR PULUNGAN
161402012
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2021
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
UCAPAN TERIMA KASIH
Bismillahhirrahmannirrahim, Penulis ucapkan puji dan syukur kepada
Allah SWT atas rahmat dan kesempatan-Nya penulis akhirnya dapat
menyelesaikan tugas akhir ini sebagai syarat untuk kelulusan dan mendapat gelar
sarjana.
Terimakasih yang begitu besar penulis ucapkan untuk Ibu penulis, Saripah
Ainun, yang telah bertanggung jawab serta mengajarkan tentang suatu ketulusan,
dan juga berjuang seorang diri untuk kebahagiaan penulis dengan doa-doa yang
setiap kali dipanjatkan sehingga penulis dapat menyelesaikan tugas akhir ini.
Penulis ucapkan juga rasa terimakasih yang teramat untuk ayah penulis, Mukhlis
Pulungan yang telah memberikan bantuan materi selama penulis hidup, terutama
untuk menyelesaikan pendidikan dan juga doa, nasihat yang selalu dipanjatkan
sehingga penulis dapat menyelesaikan S1 ini. Selanjutnya penulis ucapkan untuk
saudara/i penulis yang selalu memberikan motivasi kepada penulis sehingga
penulis lebih bersemangat dalam menyelesaikan tugas akhir ini.
Adapun berbagai pihak yang juga banyak terlibat dalam penyelesaian
tugas akhir ini, atas doa dan dukungan mereka, pada kesempatan kali ini penulis
ucapkan terima kasih kepada:
1. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M,Sc. Selaku Dekan Fakultas
Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara beserta
jajarannya.
2. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program
Studi S1 Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Baihaqi Siregar, S.Si., MT selaku dosen pembimbing I yang telah
banyak memberi ilmu, bimbingan dan saran dan juga kritik dalam
penyempurnaan tugas akhir ini.
4. Ibu Rossy Nurhasanah, S.Kom, M.Kom selaku Dosen Pembimbing II yang telah membimbing penulis dalam penelitian serta penulisan tugas akhir ini.
5. Bapak Seniman, S.Kom.,M.Kom selaku Dosen Pembanding I dan Bapak
Ainul Hizriadi, S.Kom, M.Sc selaku Dosen Pembanding II yang telah
memberi kritik dan saran dalam penyempurnaan tugas akhir ini.
Universitas Sumatera Utara
Universitas Sumatera Utara
ABSTRAK
Api yang tidak ditangani dengan benar dapat sangat berpotensi untuk menimbulkan kebakaran yang menyebabkan kerusakan properti dan kerugian materi. Menurut Badan penanggulangan Bencana Daerah, Api yang dapat menimbulkan kebakaran umumnya disebabkan oleh manusia seperti kelalaian pada area dapur,puntung rokok dan pembakaran sampah selain itu api yang berasal dari masalah kelistrikan dan kebocoran gas menjadi penyebab utama terjadinya kebakaran. Selain itu sistem alarm kebakaran konvensional yang didasarkan pada jaringan kabel memiliki kekurangan dan keterbatasan seperti rencana tata letak dan output berupa alarm yang hanya dapat direspon oleh orang pada sekitar area tersebut Karenanya diperlukan suatu sistem yang mampu mendeteksi dini nyala api secara otomatis menggunakan kamera dan dapat mengirim notifikasi kepada pengguna sebelum kebakaran semakin meluas. Pada penelitian ini, penulis menggunakan metode Computer Vision untuk otomatisasi deteksi nyala api menggunakan algoritma HAAR Cascade dan Telegram Bot untuk mengirim notifikasi. Dengan menggunakan metode tersebut, diperoleh kesimpulan bahwa pengujian sistem deteksi objek api yang diimplementasikan pada skenario area dapur dan ruang tamu memiliki tingkat keberhasilan 77 %. Kata kunci : Kebakaran, Otomatisasi, Computer Vision, HAAR Cascade,
Deteksi Objek.
Universitas Sumatera Utara
EARLY DETECTION FIRE SYSTEM BASED ON COMPUTER VISION USING HAAR CASCADE ALGORITHM WITH
TELEGRAM BOT NOTIFICATION
ABSTRACT A fire that is not handled properly can have the potential to cause a fire, causing
property damage and property loss. According to the Regional Disaster Management Agency, fires that can cause fires are generally caused by humans such as negligence in the kitchen area, cigarette butts and burning garbage besides fire originating from electrical problems and gas leaks are the main causes of fires. In addition, conventional fire alarm systems based on cable networks have shortcomings and limitations such as the layout plan and output in the form of an alarm that can only be responded to by people around the area. Therefore, we need a system that is able to detect flames early automatically using a camera and can send notification to users before the fire spreads. In this study, the authors used a computer vision method to automate flame detection using HAAR Cascade algorithm and the Telegram Bot to send notifications. By using this method, it is concluded that the fire object detection system testing implemented in the kitchen and living room area scenario has a success rate of 77%. Keywords : Fire, Automation, Computer Vision, HAAR Cascade, Object
Detection
Universitas Sumatera Utara
DAFTAR ISI
Hal. PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL x
DAFTAR GAMBAR xi
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Batasan Masalah 3
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
BAB 2 LANDASAN TEORI
2.1 Computer Vision 6
2.2 Image Processing 6
2.3 Deteksi Objek 6
2.4 HAAR Cascade 7
2.5 Cascade GUI Trainer 8
2.6 Raspberry- Pi3 9
2.7 Penelitian Terdahulu 9
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN
3.1 Tahapan Penelitian 14
3.2 Data yang digunakan 14
3.3 Arsitektur Umum 16
3.4 Diagram Alir Sistem 18
3.5 Preprocessing 19
3.5.1 Convert Video to Image 19
3.5.2 Dataset & Preprocess 19
3.5.3 Setting & Training 20
3.6 Post Processing 22
3.6.1 Grayscalling 22
3.6.2 HAAR Classifier 23
3.6.3 Rule of Decision 24
3.7 Metode Pendeteksi Objek Api 24
3.8 Rancangan Tampilan 25
3.9 Rancangan Perangkat Keras 25
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1 Spesifikasi Kebutuhan Perangkat 27
4.2 Implementasi Sistem 28
4.2.1 Rangkaian Alat Pendeteksi Dini Kebakaran 28
4.2.2 Implemenasi Tampilan Aplikasi 28
4.2.3 Implementasi Data Untuk Membuat Model 29
4.2.4 Code Training Model Pada Cascade GUI Trainer 30
4.2.5 Code Deteksi Objek Pada Raspberry-Pi 31
4.2.6 Pembuatan Dan Konektifitas Bot Telegram 31
4.3 Prosedur Operasional 32
4.4 Pengujian Sistem 33
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 105
Universitas Sumatera Utara
5.2 Saran 106
DAFTAR PUSTAKA
Universitas Sumatera Utara
DAFTAR TABEL
Hal. Tabel 2.1 Penelitian Terdahulu 11 Tabel 3.1 Formasi Jumlah Pengambilan Citra Untuk Pelatihan Dataset 15 Tabel 4.1 Hasil Pengujian Sistem 36 Tabel 4.2 Confusion Matrix dari Klasifikasi Potensi Kebakaran 102
Universitas Sumatera Utara
DAFTAR GAMBAR
Hal
Gambar 2.1 Wavelet Pemilihan HAAR-type dari OpenCV Cascade Classification (bagian yang terang menunjukkan “add that region” bagian yang gelap menunjukkan “subtract that region”) 8
Gambar 2.2 Raspberry Pi-3 9 Gambar 3.1 Tahapan Penelitian 14 Gambar 3.2 Positive Image 15 Gambar 3.3 Negative Image 15 Gambar 3.4 Arsitektur Umum 17 Gambar 3.5 Flowchart Pengujian Sistem 18 Gambar 3.6 Tampilan Awal Cascade GUI Trainer 20 Gambar 3.7 Tampilan Setting Awal Cascade GUI Trainer 20 Gambar 3.8 Spesifikasi Tab Common 21 Gambar 3.9 Parameter Pelatihan Cascade 21 Gambar 3.10 Grayscaling Objek Api 22 Gambar 3.11 Substraksi Piksel 23 Gambar 3.12 Rancangan Sistem Pendeteksi Dini Kebakaran 24 Gambar 3.13 Tampilan Dasar Program 25 Gambar 3.14 Rangkaian Komponen 26 Gambar 4.1 Rangkaian Alat Pendeteksi Dini Kebakaran 28 Gambar 4.2 Tampilan Aplikasi 29 Gambar 4.3 Data Training 30 Gambar 4.4 Hasil Nilai Training Model 30 Gambar 4.5 Tampilan Awal Raspberry-Pi 3 32 Gambar 4.6 Tampilan Aplikasi 33 Gambar 4.7 Tampilan Aplikasi Pada Skenario Ruang Tamu 34 Gambar 4.8 Tampilan Aplikasi Pada Skenario Dapur 35 Gambar 4.9 Tampilan Led dan Buzzer 103 Gambar 4.10 Tampilan Notifikasi Telegram 104
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Api yang tidak ditangani dengan benar dapat sangat berpotensi untuk
menimbulkan kebakaran yang menyebabkan kerusakan properti dan kerugian
materi. Menurut Badan penanggulangan Bencana Daerah, Api yang dapat
menimbulkan kebakaran umumnya disebabkan oleh manusia seperti kelalaian
pada area dapur,puntung rokok dan pembakaran sampah selain itu api yang
berasal dari masalah kelistrikan dan kebocoran gas menjadi penyebab utama
terjadinya kebakaran. Selain itu sistem alarm kebakaran konvensional yang
didasarkan pada jaringan kabel memiliki kekurangan dan keterbatasan seperti
rencana tata letak dan output berupa alarm yang hanya dapat direspon oleh orang
pada sekitar area tersebut Perkembangan teknologi informasi dan komunikasi
yang cepat telah menuntun ke era baru untuk pendeteksi dini kebakaran bahkan
dapat mencegahnya terjadi,jaringan kamera dan sensor berbasis TIK bahkan
solusi berbasis satelit telah dikembangkan dalam beberapa dekade terakhir. Solusi
ini terbukti telah mengurangi keterlibatan langsung manusia dalam proses deteksi
kebakaran ,tetapi juga terbukti sulit dipelihara.pada tulisan ini akan digunakan
pendekatan modul kamera pada Raspberry-Pi 3 dengan algoritma HAAR Cascade
dan Bot Telegram untuk mengirim notifikasi.
Sebelumnya telah dilakukan penelitian untuk mendeteksi api dan monitoring
berbasis wireless sensor network (WSN) oleh Li Guang-Hui.(2006) yang
berfokus pada pemodelan perkiraan kebakaran hutan,penyebaran node
WSN,posisi kebakaran hutan,protokol kontrol transmisi,dan deteksi kebakaran
hutan dan sistem alarm berbasis WSN.
Kemudian penelitian lain yang dilakukan oleh Evizal Abdul Kadir et
al.(2018) menggunakan wireless sensor network yang diletakkan pada beberapa
lokasi yang berpotensi mengalami kebakaran sepanjang area hutan di Provinsi
Universitas Sumatera Utara
Riau.sistem ini memberikan peringatan dini kepada lembaga perwakilan ketika
mendeteksi adanya nyala api di hutan.
Beberapa penelitian berbasis video multi-feature fusion juga sudah
dilakukan,diantaranya oleh Lie(2009). Menggunakan sistem monitor berdasarkan
informasi gambar digital.sistem ini didasarkan pada karakteristik konfigurasi
CCD dan informasi warna untuk menemukan api,mengirim sinyal peringatan dan
menentukan lokasi terjadinya kebakaran.
Selanjutnya penelitian oleh Alexander A. Khamukin et al.(2016). Penelitian
ini memfokuskan pada spektrum noise yang dihasilkan api kebakaran hutan,
Dimodelkan sebagai noise merah yang amplitudonya berkisar antara 250 hingga
450 Hz pada mahkota api dan menurun secara bertahap ke frekuensi yang lebih
rendah semakin kebawah, garis trend dari spektrum noise kebakaran hutan yang
berbeda menjadi parameter pada penelitian ini.
Kemudian penelitian oleh Georgi Hristov et al.(2018) yang menggunakan
metode Unmanned Aerial Vehicles (UAV) dan jaringan sensor
LoRaWAN,penelitian ini menggunakan drone yang dilengkapi dengan kamera
yang khusus untuk mendeteksi kebakaran hutan juga memberikan solusi untuk
penggunaan kombinasi antara fixed-wing dan rotary-wind dari UAVs kemudian
menggunakan jaringan sensor LoRaWAN sebagai komunikasi data.
Lalu penelitian yang menggunakan metode object Detection untuk mendeteksi
kebakaran hutan secara real-time diantaranya: YOLO (tiny yolo voc, tiny yolo
voc 1, tiny yolo voc 2.0, dan YOLO v3), Faster R-CNN dan SSD yang memiliki
realtime property yang lebih baik,akurasi deteksi yang lebih tinggi dan
kemampuan deteksi kebakaran dini. Peneliti membuat patokan api dan asap,
memanfaatkan kelas asap baru yang ditambahkan dan perubahan area api untuk
meminimalisir kesalahan deteksi.percobaan membuktikan bahwa ini
meningkatkan tingkat akurasi deteksi kebakaran. Penelitian ini dilakukan oleh Shi
Xiao Wu et al.(2018).
Oleh karena itu penulis mengusulkan suatu penelitian menggunakan computer
vision untuk mendeteksi nyala api dengan menggunakan algortima HAAR
Universitas Sumatera Utara
Cascade dengan judul “Sistem Pendeteksi Dini Kebakaran Berbasis Computer
Vision Dengan Menggunakan HAAR Cascade Dengan Notifikasi Bot Telegram ”.
1.2 Rumusan Masalah
Banyaknya kasus kebakaran yang terjadi khususnya di indonesia
menyebabkan kerugian yang besar bagi alam dan manusia seperti gangguan
pernafasan, terganggunya aktivitas sosial,pendidikan dan ekonomi. Karenanya
diperlukan sistem yang dapat mendeteksi dini kebakaran dalam mengidentifikasi
nyala api dan mengirimkan sinyal peringatan ke pengguna.
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk membangun sistem yang dapat
melakukan deteksi dini kebakaran menggunakan Computer Vision dan Bot
Telegram untuk mengirim notifikasi ke pengguna sistem.
1.4 Batasan Masalah
Dalam studi ini, penulis mengusulkan beberapa batasan untuk mencegah
masalah meluas. Adapun batasan masalah yaitu :
1. Sistem hanya memproses citra digital berbentuk video yang diambil
secara real time.
2. Sistem tidak bisa mengirim notifikasi jika tidak terhubung dengan
internet.
3. Sistem hanya bisa mendeteksi api dengan jarak < 20 meter.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Mempermudah mendeteksi nyala api secara otomatis dan mencegah
terjadinya kebakaran yang lebih luas.
2. Mengefisiensi terhadap kinerja kamera dan penggunaan komputer mini
Raspberry-Pi 3
Universitas Sumatera Utara
3. Sebagai referensi dalam penelitian akademik khususnya penelitian terkait
implementasi deteksi objek secara real time dan otomatisasi.
1.6 Metodologi Penelitian
Adapun tahap – tahap yang dilakukan pada penelitian ini adalah sebagai berikut:
1. Studi Literatur
Pada tahapan ini dilaksanakan untuk memperoleh dan meneliti informasi
yang ada di buku, jurnal, skripsi, dan berbagai sumber informasi lain yang
mendukung penelitian ini.
2. Analisis Permasalahan
Selanjutnya yaitu tahap analisis permasalahan. Pada tahap ini dilakukan
analisis terhadap berbagai informasi yang telah didapat dari berbagai sumber
yang terkait penelitian agar mendapatkan metode yang tepat untuk
menyelesaikan masalah dalam penelitian ini.
3. Pengumpulan Data
Setelah menganalisis permasalahan dilakukan pengumpulan data terkait
dengan penelitian.
4. Perancangan Sistem
Pada tahap ini, penulis melakukan implementasi dari sistem untuk
menyelesaikan masalah.
5. Implementasi
Pada tahap ini, penulis melakukan implementasi dari analisis sesuai
perancangan yang akan dilakukan pada sistem.
6. Penyusunan Laporan
Tahap terakhir, penulis akan menyusun dokumentasi berupa laporan
penelitian yang akan memaparkan hasil penelitian yang telah dilakukan.
Universitas Sumatera Utara
1.7 Sistematika Penulisan
Sistematika penulisan penelitian terdiri dari lima bagian :
BAB 1 : PENDAHULUAN
Padaibabiini, hal – hal yang dibahas yaituilataribelakang, rumusanimasalah,
Setelah objek api terdeteksi maka akan otomatis mengaktifkan led dan buzzer,
apabila objek api yang terdeteksi belum padam ataupun skalanya masih sama atau
lebih besar dari kondisi terdeteksinya api pada skala skenario maka led dan buzzer
akan terus menerus nyala.
Gambar 4. 9 Tampilan Led dan Buzzer
Universitas Sumatera Utara
4. Tampilan Notifikasi
Setelah objek api terdeteksi maka akan otomatis mengaktifkan led dan buzzer
sekaligus mengirim notifikasi telegram melalui Firedetection_BOT berupa teks
peringatan dan waktu terdeteksinya api tersebut, apabila objek api yang terdeteksi
belum padam ataupun skalanya masih sama atau lebih besar dari kondisi
terdeteksinya api pada skala skenario maka notifikasi akan terus menerus dikirim
ke pengguna.
Gambar 4. 10 Tampilan Notifikasi Telegram.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Bab ini membahas kesimpulan dari sistem pendeteksi dini kebakaran berdasarkan
hasil deteksi menggunakan algoritma HAAR Cascade yang telah dibuat pada
Bagan 5.1 dan saran untuk penelitian dan pengembangan selanjutnya pada Bagan
5.2.
5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem pendeteksi
dini kebakaran berdasarkan hasil deteksi menggunakan model Cascade GUI
Trainer yaitu :
1. Pengujian sistem deteksi objek api menggunakan perangkat Raspberry-Pi 3
berhasil diimplementasikan.
2. Pada proses pendeteksian objek sangat bergantung pada skala dan jarak,
apabila skala terlalu kecil dan jarak terlalu jauh kamera sangat susah untuk
melakukan deteksi disini penulis menggunakan jarak 8 meter dan skala 1:12
pada skenario ruang tamu dan jarak 8 meter dan skala 1:10 pada skenario
dapur.
3. Pembuatan skenario area pada penelitian ini dirasa cukup efektif. Selain
memudahkan untuk sistem mendeteksi otomatisasi objek api, skenario area
juga memudahkan dalam sistem yang diletakkan pada area yang cenderung
tinggi karena memiliki jarak pandang yang luas sehingga akurasinya bisa
tepat.
4. Pada penelitian ini, dibutuhkan beberapa skenario area untuk menetapkan
skala yang tepat untuk beberapa kondisi sehingga dapat menyesuaikan
dengan tempat sistem akan dipasang.
Universitas Sumatera Utara
5.2 Saran
Untuk penelitian yang telah dilakukan dalam penelitian selanjutnya, penulis dapat
memberikan saran sebagai berikut :
1. Penulis berharap perangkat yang digunakan pada penelitian selanjutnya
menggunakan perangkat dengan spesifikasi yang lebih tinggi, sehingga bukan
hanya untuk mendeteksi objek api dan memberi notifikasi tetapi juga
memberikan solusi untuk memadamkannya.
2. Penulis berharap pada penelitian selanjutnya menggunakan metode lain yang
mampu mendeteksi objek dengan meminimalisir penggunaan memori,
sehingga fps tidak terlalu rendah dan tingkat akurasi dalam mendeteksi objek
jauh lebih baik.
3. Menyediakan catu daya cadangan dengan kapasitas yang tinggi, sehingga
apabila listrik mati maka sistem dan pencahayaan tetap berjalan dengan durasi
yang lebih panjang dan tidak tiba-tiba langsung mati.
Universitas Sumatera Utara
DAFTAR PUSTAKA
Li Guang-Hui, Zhao Jun, & Wang Zhi. (2006). Research on Forest Fire Detection Based on Wireless Sensor Network. 2006 6th World Congress on Intelligent Control and Automation. doi:10.1109/wcica.2006.1712316
Wu, S., & Zhang, L. (2018). Using Popular Object Detection Methods for Real Time Forest Fire Detection. 2018 11th International Symposium on Computational Intelligence and Design
(ISCID). doi:10.1109/iscid.2018.00070.Hristov, G., Raychev, J., Kinaneva, D., & Zahariev, P. (2018). Emerging Methods for Early Detection of Forest Fires Using Unmanned Aerial Vehicles and Lorawan Sensor Networks. 2018 28th EAEEIE Annual Conference (EAEEIE). doi:10.1109/eaeeie.2018.8534245.
Li Jie, & Xiao Jiang. (2009). Forest fire detection based on video multi-feature fusion. 2009 2nd IEEE International Conference on Computer Science and Information Technology. doi:10.1109/iccsit.2009.5234862.
Khamukhin, A. A., & Bertoldo, S. (2016). Spectral analysis of forest fire noise for early detection using wireless sensor networks. 2016 International Siberian
Conference on Control and Communications (SIBCON). doi: 0.1109/sibcon.2016.7491654. Kadir, E. A., Rosa, S. L., & Yulianti, A. (2018). Application of WSNs for
Detection Land and Forest Fire in Riau Province Indonesia. 2018 International Conference on Electrical Engineering and Computer Science (ICECOS). doi:10.1109/icecos.2018.8605197.
Sasmita, E. S., Rosmiati, M., & Rizal, M. F. (2018). Integrating Forest Fire Detection with Wireless Sensor Network Based on Long Range Radio. 2018
International Conference on Control, Electronics, Renewable Energy and Communications (ICCEREC). doi:10.1109/iccerec.2018.8711991.
Yamanoor, N. S., & Yamanoor, S. (2017). High quality, low cost education with the Raspberry Pi. 2017 IEEE Global Humanitarian Technology Conference (GHTC). doi:10.1109/ghtc.2017.8239274.
Universitas Sumatera Utara
Harish Kumar, B. (2017). WSN based Automatic Irrigation and Security System using Raspberry Pi Board. 2017 International Conference on Current Trends in Computer, Electrical, Electronics and Communication (CTCEEC). doi:10.1109/ctceec.2017.8455140.
Fully-Connected Layer CNN dan Implementasinya – Universitas Gadjah Mada Menara Ilmu Machine Learning. (n.d.). Retrieved March 12, 2020, from http://machinelearning.mipa.ugm.ac.id/2018/06/25/fully-connectedlayercnn-dan-implementasinya/
Hu, W., Huang, Y., Wei, L., Zhang, F., & Li, H. (2015). Deep Convolutional Neural Networks for Hyperspectral Image Classification. Journal of Sensors, 2015, 1–12. https://doi.org/10.1155/2015/258619
Kusumanto, & Tompunu, A. N. (2011). Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 (Semantik 2011), 2011(January), 1–7.
Xia, X., Zhao, Y., Hu, Z., Wang, Z., Yu, C., & Bai, Y. (2019). Fish behavior tracking algorithm based on multi-domain deep convolutional neural network. ACM International Conference Proceeding Series, 73–78. https://doi.org/10.1145/3330393.3330422
Dasiopoulou, Stamatia, et al. "Knowledge-assisted semantic video object detection." IEEE Transactions on Circuits and Systems for Video Technology 15.10 (2005): 1210-1224.
Reinhard Klette (2014). Concise Computer Vision. Springer. ISBN 978-1-4471-6320-6.
Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 978-0-495-08252-1.
Gonzalez, Rafael (2018). Digital image processing. New York, NY: Pearson. ISBN 978-0-13-335672-4. OCLC 966609831.
statistik.jakarta.id.(2019, 22 November.”JUMLAH KEJADIAN KEBAKARAN DAN BANGUNAN YANG TERDAMPAK DI DKI JAKARTA”http://statistik.jakarta.go.id/jumlah-kejadian-kebakaran-dan-bangunan-yang-terdampak-di-dki-jakarta/.