OPTIMASI DETEKSI ENTITAS KEBAKARAN HUTAN DENGAN MENGGUNAKAN ALGORITMA GENETIKA PADA PARAMETER LEARNING RATE DAN DROPOUT DALAM MODEL JARINGAN SARAF REKUREN

Abstract

Kebakaran hutan merupakan bencana yang memiliki dampak merugikan secara signifikan untuk lingkungan dan ekonomi, teknologi berperan penting dalam mitigasi bencana misalnya teknologi kecerdasan buatan. Penelitian ini fokus pada pengoptimalkan deteksi entitas kebakaran hutan dengan menggunakan algoritma genetika pada dua hyperparameter utama, yaitu dropout dan learning rate, dalam model jaringan saraf rekuren, khususnya LSTM. Dengan mengintegrasikan konsep-konsep ini, penelitian bertujuan meningkatkan akurasi dan ketepatan model dalam mengidentifikasi waktu dan lokasi kebakaran. Metodologi penelitian melibatkan pengumpulan dan pemrosesan data teks tweet, pelabelan entitas, dan implementasi algoritma genetika pada hyperparameter model. Hasil menunjukkan bahwa konfigurasi terbaik, dengan dropout 0.247384 dan learning rate 0.019447, menghasilkan akurasi tertinggi sebesar 75.91%. Kesimpulan menegaskan bahwa pengaturan hyperparameter memainkan peran kritis dalam meningkatkan performa model dan relevansinya terhadap mitigasi bencana kebakaran di Indonesia. Saran untuk penelitian masa depan melibatkan eksplorasi metode optimasi tambahan dan peningkatan kompleksitas model untuk menangani variasi data yang lebih luas. Temuan ini memberikan kontribusi pada pengembangan solusi cerdas dalam pencegahan dan respons terhadap bencana kebakaran hutan.