Sistem Pemantauan Kebakaran Berbasis Drone: Deteksi Asap Real-Time, Navigasi Cerdas Berbasis Deep Reinforcement Learning, dan Estimasi Luas Area Terdampak

Abstract

Kebakaran hutan dan lahan membutuhkan sistem pemantauan yang mampu mendeteksi asap lebih awal, membantu navigasi drone secara aman, dan memperkirakan luas area terdampak secara cepat. Penelitian ini mengembangkan sistem pemantauan kebakaran berbasis unmanned aerial vehicle yang menggabungkan deteksi asap YOLOv8 termodifikasi, navigasi Deep Reinforcement Learning menggunakan Proximal Policy Optimization, serta segmentasi semantik DeepLabV3+ untuk estimasi area terbakar. Model deteksi diperkuat dengan SPPF+, attention CBAM, WIoU loss, dan optimasi TensorRT INT8 agar sesuai untuk perangkat edge. Modul navigasi mempelajari manuver adaptif dari skenario simulasi dan pengujian lapangan, sedangkan kalibrasi geospasial mengubah hasil segmentasi piksel menjadi luas hektar. Pengujian pada kebakaran simulasi, controlled burn, dan kasus kebakaran nyata menunjukkan bahwa model deteksi mencapai mAP@0,5 sebesar 91,7% dengan latensi 34 ms, navigasi PPO mencapai keberhasilan penghindaran 97,1%, dan estimasi luas area memperoleh akurasi rata-rata 88,3% terhadap data referensi Sentinel-2. Hasil ini menunjukkan bahwa kerangka terintegrasi layak digunakan untuk pemantauan kebakaran real-time dan dapat melengkapi observasi berbasis satelit.