PERANCANGAN USER INTERFACE MONITORING DATA SENSOR UNTUK MENENTUKAN NILAI FINE FUEL MOISTURE CODE SEBAGAI PERINGATAN DINI POTENSI KEBAKARAN HUTAN
Bibliographic record
Abstract
Perancangan sistem monitoring dan informasi data sensor sebagai peringatan dini potensi kebakaran penting dalam usaha untuk mengurangi dampak dari kebakaran hutan. Dampak dari kebakaran hutan akan menimbulkan kerugian pada lingkungan dan kerugian ekonomi. Agar dapat mengurangi dampak tersebut maka diperlukan usaha untuk mencegah kebakaran hutan dengan memperhitungkan peringkat kebakaran suatu wilayah. Peringkat kebakaran suatu wilayah dapat ditentukan dengan menggunakan Canadian Forest Fire Danger Rating System (CFFDRS). Sistem tersebut berguna untuk memberikan informasi terkait bahaya kebakaran berdasarkan pengamatan suhu harian, kelembaban udara, kecepatan angin dan curah hujan. Tingkat potensi kebakaran dengan menggunakan CFFDRS dapat diketahui dari nilai Fire Weather Index (FWI). Perhitungan nilai FWI dapat ditentukan dengan beberapa parameter antara lain yaitu Fine Fuel Moisture Code (FFMC), Duff Moisture Code (DMC) dan Drought Code (DC). Salah satu kode sub sistem perhitungan nilai FWI adalah FFMC. FFMC merupakan faktor utama yang mengendalikan perilaku kebakaran hutan. FFMC adalah kode yang digunakan untuk indikator potensi penyulutan api menjadi kebakaran. Nilai FFMC dapat ditentukan dengan menggunakan informasi data hasil pengukuran dari kecepatan angin, suhu udara, kelembaban udara dan curah hujan. Agar lebih mudah dalam memperoleh data pengukuran kecepatan angin, suhu udara, kelembaban udara dan curah hujan, maka sistem ini dibuat dengan tujuan untuk merancang sistem monitoring data sensor untuk memperhitungkan nilai FFMC sebagai salah satu indikator peringatan dini potensi penyulutan api yang menyebabkan kebakaran hutan. Hasil pengujian menunjukkan bahwa sistem monitoring yang telah dibuat sudah dapat bekerja. Presentasi perhitungan error pengukuran suhu sebesar ± 1,81%, presentasi perhitungan error pengukuran kelembaban sebesar ± 1,37% dan presentasi perhitungan error pengukuran kecepatan angin sebesar ± 2,85%, serta presentasi perhitungan error pengukuran sensor rain gauge sebesar ±2,8%. Pengujian secara keseleruhan menunjukkan bahwa sistem dapat menghitung nilai FFMC yang sesuai dan dapat menampilkan data dan skala yang sesuai dengan kriteria yang telah ditetapkan.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.001 | 0.004 |
| Open science | 0.005 | 0.006 |
| Research integrity | 0.000 | 0.004 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".