Penebangan liar merupakan salah satu penyebab kerusakan ekosistem hutan yang sulit dipantau, terutama di wilayah dengan keterbatasan akses jaringan komunikasi. Penelitian ini mengembangkan sistem pendeteksi suara gergaji mesin sebagai indikasi aktivitas penebangan menggunakan Wireless Sensor Network (WSN) yang terdiri atas dua node sensor dan satu gateway. Setiap node menggunakan mikrofon digital INMP441 dan mikrokontroler ESP32 untuk mengklasifikasikan suara ke dalam kelas chainsaw dan noise menggunakan model Machine Learning berbasis Edge AI yang dikembangkan melalui platform Edge Impulse. Ekstraksi fitur audio menggunakan metode Mel-Frequency Energy (MFE), sedangkan hasil klasifikasi dikirimkan melalui LoRa ke gateway untuk ditampilkan pada Human Machine Interface (HMI). Buzzer diaktifkan ketika salah satu node mendeteksi suara chainsaw. Evaluasi model pada Edge Impulse menghasilkan validation accuracy sebesar 98,8% dan loss sebesar 0,03. Pada pengujian langsung sebanyak 36 kali untuk setiap node, Node Sensor 1 memperoleh akurasi 97,22%, sedangkan Node Sensor 2 memperoleh akurasi 91,67%. Pengujian menggunakan sumber suara gergaji mesin menunjukkan bahwa Node Sensor 1 mampu mendeteksi suara hingga jarak 60 m dan Node Sensor 2 hingga 80 m. Hasil pengujian komunikasi menunjukkan bahwa LoRa dapat mengirimkan hasil klasifikasi ke gateway tanpa bergantung pada koneksi internet. Dengan demikian, sistem ini berpotensi mendukung deteksi dini suara gergaji mesin di wilayah terpencil, meskipun keterbatasan jangkauan deteksi masih perlu diperhatikan.
Copyrights © 2026