PROPOSAL PENELITIAN
Diajukan Oleh
1444 H /
KATA PENGANTAR
Segala puji dan syukur kami panjatkan ke hadirat Allah SWT yang telah memberikan
rahmat, hidayah, dan karunia-Nya sehingga kami dapat menyelesaikan proposal penelitian ini
dengan judul "Pengembangan Model Prediksi Kebakaran Hutan Berbasis Deep Learning
Menggunakan Data Satelit Multi-Temporal Dan Multi-Spektral". Proposal penelitian ini
disusun sebagai salah satu syarat untuk mengikuti program riset di kelas VIII-10, MTsN 1
Banda Aceh.
Penelitian ini bertujuan untuk mengembangkan model prediksi kebakaran hutan berbasis
deep learning yang dapat memanfaatkan data satelit multi-temporal dan multi-spektral
dengan akurasi tinggi dan efisiensi komputasi. Kami berharap penelitian ini dapat
memberikan kontribusi bagi pengembangan ilmu pengetahuan dan kesejahteraan masyarakat.
Kami menyadari bahwa proposal penelitian ini tidak akan terwujud tanpa bantuan dan
dukungan dari berbagai pihak. Oleh karena itu, kami ingin menyampaikan terima kasih yang
sebesar-besarnya kepada:
1. Bapak Junaidi, selaku kepala sekolah MTsN 1 Banda Aceh.
2. Ibu Dahlia selaku wali kelas VIII-10 Riset di sekolah MTsN 1 Banda Aceh.
3. Kak Sa’adiah selaku Pembimbing yang telah memberikan arahan, saran, dan motivasi
kepada kami dalam menyusun proposal penelitian ini.
4. Ibu Mahni selaku pembimbing yang telah memberikan masukan dan kritik yang
membangun kepada kami dalam penyusunan proposal penelitian ini.
5. Orang tua, keluarga, sahabat, dan teman-teman kami yang selalu memberikan doa,
dukungan, dan semangat kepada kami.
6. Dan semua pihak yang tidak dapat kami sebutkan satu per satu yang telah membantu
kami dalam proses penyusunan proposal penelitian ini.
1
DAFTAR ISI
BAB I. PENDAHULUAN........................................................................................................1
Untuk dapat menggunakan data satelit untuk deteksi dan prediksi kebakaran hutan,
diperlukan beberapa tahapan pemrosesan data, yaitu:
2
a. Akuisisi data: tahapan ini meliputi pengambilan gambar dari permukaan bumi oleh
sensor-sensor yang terdapat pada satelit yang mengorbit di luar angkasa. Gambar-
gambar tersebut kemudian dikirimkan ke stasiun penerima di bumi melalui
gelombang radio (Lillesand et al., 2015).
b. Koreksi data: tahapan ini meliputi perbaikan terhadap distorsi atau kesalahan yang
terjadi pada data satelit akibat faktor-faktor seperti geometri proyeksi, atmosfer,
topografi, atau sensor itu sendiri. Koreksi data bertujuan untuk meningkatkan kualitas
dan akurasi data satelit (Chuvieco et al., 2016).
c. Klasifikasi data: tahapan ini meliputi pengelompokkan data satelit berdasarkan
kriteria-kriteria tertentu, seperti spektrum, tekstur, bentuk, atau konteks. Klasifikasi
data bertujuan untuk mengekstraksi informasi yang relevan dari data satelit, seperti
jenis vegetasi, tutupan lahan, atau titik api (Lillesand et al., 2015).
d. Analisis data: tahapan ini meliputi pengolahan dan interpretasi data satelit dengan
menggunakan metode-metode statistik, matematik, atau komputasi. Analisis data
bertujuan untuk menghasilkan produk-produk informasi yang bermanfaat bagi
pengguna, seperti indeks kekeringan, indeks kebakaran, atau model prediksi
kebakaran hutan (Chuvieco et al., 2016).
a. Jaringan saraf tiruan umpan maju (feedforward neural network): arsitektur jaringan
saraf tiruan yang paling sederhana dan dasar, yang terdiri dari lapisan masukan,
lapisan keluaran, dan satu atau lebih lapisan tersembunyi. Lapisan-lapisan tersebut
3
saling terhubung oleh bobot-bobot yang menentukan kekuatan pengaruh antara
neuron-neuron. Aliran informasi dalam jaringan ini hanya bergerak dari masukan ke
keluaran tanpa adanya umpan balik (feedback) (LeCun et al., 2015).
b. Jaringan saraf tiruan konvolusional (convolutional neural network): arsitektur jaringan
saraf tiruan yang terinspirasi oleh sistem penglihatan biologis, yang terdiri dari lapisan
konvolusi, lapisan sub-sampling, dan lapisan padat. Lapisan konvolusi bertugas untuk
melakukan operasi konvolusi antara filter-filter dengan bagian-bagian dari data
masukan untuk menghasilkan peta fitur. Lapisan sub-sampling bertugas untuk
melakukan operasi pengurangan dimensi pada peta fitur untuk mengurangi
kompleksitas komputasi dan meningkatkan invarian terhadap translasi. Lapisan padat
bertugas untuk melakukan klasifikasi atau regresi pada peta fitur yang telah diubah
menjadi vektor satu dimensi (LeCun et al., 2015).
c. Jaringan saraf tiruan rekuren (recurrent neural network): arsitektur jaringan saraf
tiruan yang memiliki kemampuan untuk memodelkan hubungan temporal atau
sekuensial antara data masukan dan keluaran, yang terdiri dari lapisan masukan,
lapisan keluaran, dan satu atau lebih lapisan tersembunyi. Lapisan-lapisan tersebut
saling terhubung oleh bobot-bobot yang menentukan kekuatan pengaruh antara
neuron-neuron. Aliran informasi dalam jaringan ini dapat bergerak dari masukan ke
keluaran, dari keluaran ke masukan, atau dari lapisan tersembunyi ke dirinya sendiri
(LeCun et al., 2015).
Deep learning dapat digunakan untuk berbagai aplikasi, salah satunya adalah untuk
prediksi kebakaran hutan. Prediksi kebakaran hutan dengan menggunakan deep learning
dapat dilakukan dengan beberapa langkah, yaitu:
a. Persiapan data: langkah ini meliputi pemilihan, pengumpulan, dan pemrosesan data
satelit yang akan digunakan sebagai data masukan dan keluaran untuk model deep
learning. Data masukan dapat berupa data satelit multi-temporal dan multi-spektral
yang merepresentasikan kondisi hutan sebelum terjadi kebakaran. Data keluaran dapat
berupa data satelit termal yang merepresentasikan lokasi dan waktu terjadinya titik api
(Liu et al., 2018).
b. Pembuatan model: langkah ini meliputi pembentukan arsitektur jaringan saraf tiruan
yang sesuai dengan karakteristik data masukan dan keluaran. Arsitektur jaringan saraf
tiruan dapat dipilih berdasarkan tujuan prediksi, yaitu apakah prediksi bersifat spasial,
temporal, atau keduanya. Contoh arsitektur jaringan saraf tiruan yang dapat digunakan
4
adalah jaringan saraf tiruan konvolusional untuk prediksi spasial, jaringan saraf tiruan
rekuren untuk prediksi temporal, atau kombinasi keduanya untuk prediksi spasial-
temporal (Wang et al., 2019).
c. Pelatihan model: langkah ini meliputi proses pembelajaran bobot-bobot jaringan saraf
tiruan dengan menggunakan data latih (training data) yang merupakan bagian dari
data satelit yang telah dipersiapkan sebelumnya. Proses pembelajaran dilakukan
dengan menggunakan algoritma optimisasi, seperti stochastic gradient descent (SGD),
Adam, atau RMSprop, yang bertujuan untuk meminimalkan fungsi biaya (cost
function), seperti mean squared error (MSE), cross entropy, atau focal loss, yang
mengukur perbedaan antara keluaran yang dihasilkan oleh model dengan keluaran
yang sebenarnya (Ma et al., 2019).
d. Evaluasi model: langkah ini meliputi proses pengujian kinerja model dengan
menggunakan data uji (test data) yang merupakan bagian dari data satelit yang telah
dipersiapkan sebelumnya. Proses pengujian dilakukan dengan menggunakan metrik-
metrik evaluasi, seperti akurasi, presisi, sensitivitas, spesifisitas, F1-score, atau area
under the curve (AUC), yang mengukur seberapa baik model dapat memprediksi
kebakaran hutan dengan benar (Liu et al., 2018).
e. Aplikasi model: langkah ini meliputi proses penerapan model untuk memberikan
informasi tentang prediksi kebakaran hutan di suatu wilayah hutan dengan
menggunakan data baru yang belum pernah dilihat oleh model sebelumnya. Proses
penerapan dilakukan dengan memberikan data baru sebagai masukan kepada model
dan menghasilkan keluaran berupa prediksi lokasi dan waktu terjadinya titik api.
Prediksi tersebut kemudian disajikan dalam bentuk visualisasi data, laporan analisis,
dan rekomendasi tindakan (Wang et al., 2019).
5
Film “Nanti Kita bahwa biasanya Roland Barthes. unsur semiotik
Cerita Hari Ini” penonton hanya pada film,
(NKCTHI) Karya mengetahui sedangkan
Angga Dwimas makna dari film penelitian yang
Sasongko. secara dilakukan pada
Cinematology: menyeluruh, penelitian ini
Journal tetapi ketika film tidak hanya
Anthology of tersebut menganalisis
Film and dianalisis, semiotikanya
Television banyak sekali saja, tetapi juga
Studies. 1 : 33- makna denotasi, menganalisis
42. konotasi, dan dan melakukan
mitos. infrensi terkait
dengan
destruksi
melankolia pada
tokoh utama.
Juga terdapat
perbedaaan
judul pada film
yang diteliti.
2. Nissa Akfiika Hasil dari Representasi Perbedaan yang
Setioningtyas. penelitian ini yang dianalisis sangat jelas
2022. menggambarkan oleh Nissa pada judul dan
REPRESENTASI adanya berkaitan topik penelitian.
DEPRESI representasi dengan Perbedaan pada
DALAM FILM depresi dalam melankolia, model semiotika
BERJUDUL film berjudul yakni depresi. yang dipakai,
“NANTI KITA “Nanti Kita Juga sama-sama dimana Nissa
CERITA Cerita Tentang menganalisis memakai model
TENTANG Hari Ini”, depresi representasi dan semiotika milik
HARI INI”. tersebut dialami semiotika film. Ferdinand De
Commercium. 5 : oleh anggota Saussure,
95-113. keluarga. Ayah sedangkan
6
dan Ibu peneliiti
mengalami memakai model
depresi psikis semiotika
berupa Roland Barthes.
timbulnya rasa Juga terdapat
sedih, cemas, perbedaan pada
atau hampa yang judul film yang
terus-menerus. diteliti.
Angkasa
mengalami
depresi fisik
berupa kesulitan
memutuskan
sesuatu.
Sedangkan
Awan dan
Aurora
mengalami
depresi sosial
berupa
menurunnya
aktivitas dan
minat sehari-hari
(menarik diri,
menyendiri, dan
malas) serta
perasaan mudah
tersinggung.
3. Fahmi Reza Penelitian ini Sama-sama Penelitian yang
Rahmadani. menunjukan meneliti dilakukan
2020. Analisis bahwa representasi Fahmi hanya
Semiotika Roland representasi dengan berfokus pada
Barthes Pada perempuan memakai model representasi
Representasi setelah dianalisis semiotika milik Hero
7
Hero Perempuan melalui desain Roland Barthes. Perempuan,
Dalam Game visualnya sedangkan
Mobile Legends : direpresentasika representasi
Bang Bang. n sebagai sosok yang akan
Commercium. 3 : yang melakukan dianalisis pada
01-17. hal-hal yang penelitian ini
serupa dengan ialah mengenai
hal-hal yang destruksi
dilakukan pria melankolia pada
dan tetap memiki tokoh utama.
maskulinitas dan Juga, terdapat
femininitas perbedaan pada
secara objek yang
bersamaan, dan diteliti, dimana
sesuai dengan Fahmi
peran (role) yang menggunakan
mereka miliki. game sebagai
objek penelitian
sedangkan
peneliti
emnggunakan
film sebagai
objek penelitian.
8
BAB III. METEDOLOGI PENELITIAN
10
lain yang relevan serta telah dipublikasikan secara orisinal. Data sekunder pada penelitian ini
ialah buku, jurnal, ensiklopedia, dan lain-lain.
3.4.2.1. Observasi/Pengamatan
Mengamati semua aspek film Generasi 90an: Melankolia adalah bagian penting dari
penelitian ini. Dilihat gambar, visual, dan alur cerita untuk menganalisis pesan, kode, dan
tanda apa yang disajikan. Dengan melakukan ini, peneliti dapat mengidentifikasi apa yang
ingin disampaikan oleh film tersebut. Roland Barthes, seorang sarjana Perancis, membagi
bahasa menjadi tiga bagian: denotasi, konotasi, dan mitos. Denotasi adalah arti harfiah dari
sebuah kata. Konotasi adalah makna emosional atau kiasan dari sebuah kata. Mitos adalah
sistem kepercayaan di balik sebuah kata. Teknik observasi yang digunakan dalam penelitian
ini adalah teknik non partisipan, dimana observer hanya melakukan satu fungsi yaitu
melakukan observasi. Teknik ini digunakan karena dalam proses penelitian ini, peneliti bukan
11
bagian dari pembuatan film tersebut. Peran peneliti disini ialah sebagai observer. Teknik ini
memungkinkan peneliti untuk lebih terfokus pada objek yang diobservasi.
12
DAFTAR PUSTAKA
Ambarini AS, M., & Nazla Maharani Umaya, M. (2018). Semiotika Teori dan Aplikasi pada
Karya Sastra. Semarang: UPGRIS PRESS.
Brutto, V. L. (2002). The Filmmaker's Guide to Production Design. New York: Allworth
Press.
Chandler, D. (2007). The Basic Semiotic. London and New York: Routledge.
Christomy, T., & Yuwono, U. (2004). Semiotika budaya / Penyunting. Jakarta: Pusat
Penelitian Kemasyarakatan dan Budaya UI .
Effendy, O. U. (2003). Ilmu, Teori dan Filsafat Komunikasi. Bandung: Cita Aditya Bakti.
Emzir. (2011). Metodologi Penelitian Kualitatif Analisis Data. Jakarta : PT Raja Grafindo
Persada Pusat.
Hoed, B. H. (2001). Strukturalisme: Pragmatik dan Semiotik dalam Kajian Budaya. Jakarta:
Wedatama Widya.
Liliweri, A. (1994). Komunikasi Verbal dan Non Verbal. Bandung: PT. Citra Aditya Bakti.
McQuail, D. (2012). Teori Komunikasi Massa McQuail Edisi 6 Buku 1. Jakarta: Salemba
Humanika.
13
Mudjiyanto, B. (2013). semiotika dalam metode penelitian komunikasi. Jurnal Penelitian
Komunikasi, Informatika Dan Media Massa-PEKOMMAS, 16: 73–8.
Ramdani, Z. P. (2015). Gesture: Mengungkap Makna Dibalik Bahasa Tubuh Orang Lain
Dari Mikroekspresi Hingga Makroekspresi. Klaten: PT. Hafamira.
Sobur, A. (2009 ). Analisis Teks Media ( Suatu Pengantar Untuk Analisis Wacana, Analisis
Semiotik, dan Analisis Framing). Bandung: PT Remaja Rosdakarya.
Sobur, A. (2012). Analisis Teks Media : Suatu Pengantar untuk Analisis Wacana, Analisis
Semiotik, dan Analisis Framing. Bandung: Remaja Rosdakarya.
14