cover
Contact Name
Rendy Amy Saputra
Contact Email
sisfotenika@gmail.com
Phone
+6285245901320
Journal Mail Official
sisfotenika@gmail.com
Editorial Address
Jl. Merdeka No. 372, Pontianak
Location
Kota pontianak,
Kalimantan barat
INDONESIA
SISFOTENIKA
ISSN : 20877897     EISSN : 24605344     DOI : http://dx.doi.org/10.30700
Jurnal Ilmiah SISFOTENIKAditerbitkan oleh LPPM STMIK Pontianak dan IndoCEISS. Frekuensi Terbit Tengah Tahunan (2 kali dalam setahun, yaitu bulan Januari dan Juli). Jurnal SISFOTENIKA terakreditasi SINTA 4 melalui Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi Kementerian Pendidikan Kebudayaan, Riset dan Teknologi Nomor 5162/E4/AK.04/2021, tanggal 27 Desember 2021 tentang Pemberitahuan Hasil Akreditasi Jurnal Ilmiah Periode I Tahun 2021. Jurnal SISFOTENIKA Reakreditasi Tetap di Peringkat 4 mulai Volume 11 Nomor 1 Tahun 2021 sampai Volume 15 Nomor 2 Tahun 2025. Topik yang akan dipublikasikan oleh Jurnal Ilmiah SISFOTENIKA berhubungan dengan teknologi informasi, komunikasi dan komputer yang berbentuk kumpulan/akumulasi pengetahuan baru, pengamatan empirik atau hasil penelitian, dan pengembangan gagasan atau usulan baru. Jurnal Ilmiah SISFOTENIKA merupakan Jurnal Keilmuan bidang Sistem Informasi dan Teknologi Informasi yang memuat tulisan-tulisan ilmiah mengenai penelitian-penelitian murni dan terapan di bidang Sistem Informasi dan Teknologi Informasi serta penerapan ilmu di bidang terkait lainnya. Pada setiap terbitannya, tulisan yang dimuat pada jurnal ini oleh penulis baik dari STMIK Pontianak maupun penulis dari kampus-kampus lain yang ada di Kalimantan Barat ataupun dari luar daerah yang menyumbangkan tulisannya untuk diterbitkan pada Jurnal Ilmiah SISFOTENIKA ini.
Articles 61 Documents
Klasifikasi Citra Kebakaran Hutan Menggunakan Arsitektur ResNet-50 Berbasis Transfer Learning: Forest Fire Image Classification Using ResNet-50 Architecture Based on Transfer Learning Aditya Pratama; Candra Gudiato; Denny Primanda; Weli Zuandi; Wahyu Prayitno
SISFOTENIKA Vol. 16 No. 2 (2026): SISFOTENIKA
Publisher : STMIK PONTIANAK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30700/sisfotenika.v16i2.707

Abstract

Kebakaran hutan dan lahan (karhutla) merupakan bencana lingkungan serius yang memerlukan sistem deteksi dini secara akurat dan efisien guna meminimalisir dampak kerusakan. Penelitian ini bertujuan untuk menguji keandalan dan efisiensi arsitektur ResNet-50 berbasis Transfer Learning dalam mengklasifikasikan citra digital kebakaran hutan ke dalam dua kelas biner (wildfire dan nowildfire). Dataset sekunder yang diunduh dari repositori terbuka Kaggle terlebih dahulu melalui tahap pra-pemrosesan, mencakup pemeriksaan integritas data (data integrity check) untuk menangani file gambar yang rusak/korup, pengubahan ukuran citra (resizing) menjadi 128 × 128 piksel, normalisasi nilai piksel, serta teknik augmentasi data acak. Dataset dibagi secara terpisah dengan proporsi rasio 70% data latih (30.250 citra), 15% data validasi (6.300 citra), dan 15% data uji (6.300 citra). Arsitektur ResNet-50 dikombinasikan dengan classification head buatan (Global Average Pooling 2D, Dense Layer 256 unit dengan ReLU, Dropout 0.4, dan Output Sigmoid) serta dilatih selama 5 epoch menggunakan optimizer Adam (default learning rate 1 × 10⁻3) dan fungsi kerugian Binary Cross-Entropy Loss. Evaluasi terhadap 6.300 citra uji independen menunjukkan bahwa model mampu mencapai Akurasi Keseluruhan sebesar 88%. Model terbukti memiliki sensitivitas tinggi terhadap kelas kebakaran (wildfire) dengan Recall sebesar 0.90 dan F1-Score sebesar 0.90 (berhasil mengenali 3.141 dari 3.480 citra kebakaran secara tepat). Pengujian Receiver Operating Characteristic (ROC) Curve menghasilkan nilai Area Under Curve (AUC) sebesar 0.92, yang menegaskan kemampuan pemisahan kelas (class separation ability) yang sangat unggul. Hasil ini membuktikan bahwa pendekatan Transfer Learning berbasis ResNet-50 sangat efektif dan efisien untuk diterapkan sebagai mesin pemrosesan visual utama pada sistem peringatan dini kebakaran hutan