<![CDATA[Penelitian ini mengusulkan pendekatan baru dalam pemanfaatan kecerdasan buatan untuk mengklasifikasikan kondisi aman atau bahaya berdasarkan citra thermal, yang sebelumnya belum pernah diterapkan. Proses dimulai dengan melakukan ekstraksi fitur dari citra thermal, yang bertujuan untuk menghitung persentase area berwarna putih serta area dengan warna selain putih. Informasi ini dijadikan dasar untuk proses klasifikasi lebih lanjut. Sebanyak 10 citra thermal digunakan sebagai data latih untuk membentuk model klasifikasi, sementara 2 citra lainnya digunakan sebagai data uji guna mengukur performa sistem. Metode yang digunakan dalam penelitian ini adalah jaringan saraf tiruan (JST) dengan arsitektur single perceptron. Proses pelatihan dilakukan sebanyak enam kali iterasi. Namun, hasil menunjukkan bahwa penyesuaian bobot sudah mencapai kestabilan bahkan pada iterasi pertama. Hal tersebut menunjukkan bahwa model belajar dengan cepat berdasarkan data pelatihan. Model JST yang telah dilatih ini kemudian digunakan untuk menguji kemampuan klasifikasi terhadap data baru. Hasil pengujian menunjukkan tingkat akurasi yang sangat tinggi, yaitu mencapai 100% dalam mengidentifikasi kondisi pada citra thermal termasuk kategori aman atau berbahaya. Hal ini menunjukkan bahwa pendekatan berbasis JST sederhana sekalipun mampu memberikan performa klasifikasi yang sangat baik jika fitur yang digunakan cukup representatif. ecara keseluruhan, penelitian ini membuktikan bahwa kombinasi antara ekstraksi fitur sederhana dan algoritma pembelajaran mesin dasar dapat secara efektif mendeteksi potensi bahaya dari citra thermal, serta membuka peluang untuk pengembangan sistem pemantauan otomatis berbasis visual thermal di masa depan.]]>
Copyrights © 2025
