Kebakaran hutan di kawasan pedalaman (off-grid) sulit dideteksi secara dini akibat keterbatasan infrastruktur komunikasi seluler dan hambatan Non-Line-of-Sight (NLOS) dari vegetasi lebat. Penelitian ini merancang dan menguji sistem klasifikasi status bahaya kebakaran hutan berbasis edge computing Tiny Machine Learning (TinyML) pada mikrokontroler ESP32 yang terintegrasi jaringan komunikasi multi-hop LoRa Mesh menggunakan pustaka LoRaMesher. Sistem ini memanfaatkan fusi sensor MQ-135 dan BME280 untuk mengukur parameter emisi gas (TVOC), suhu, kelembapan, dan tekanan udara. Model Artificial Neural Network (ANN) dilatih menggunakan dataset sekunder, terkuantisasi INT8, dan diintegrasikan dengan teknik domain alignment hibrida (Z-score dan Mean Alignment) guna meredam domain shift. Hasil pengujian menunjukkan model ANN terkuantisasi mampu mengeksekusi inferensi lokal dengan konsumsi memori Flash sebesar 716,965 KB (54%), alokasi Free Heap RAM sebesar 274,832 KB, serta latensi ultra-rendah sebesar 448,37 µs. Sistem mencatatkan Akurasi sebesar 93,48%, F1-Score 78,57%, Presisi 100% (False Positive Rate 0%), serta Recall kelas kebakaran sebesar 64,71% (mencapai 100% pada kondisi emisi pekat TVOC ≥ 1500 ppb). Protokol LoRaMesher mencatatkan Packet Delivery Ratio (PDR) hingga 90,60% di hutan terbuka (+2 dBm), serta terbukti memperluas jangkauan melalui perutean 2-hop dan mekanisme pemulihan mandiri (self-healing) hingga Link Quality pulih ke 100% saat terhalang bangunan.
Copyrights © 2026