Penerapan Attention Mechanism pada LSTM untuk Peningkatan Akurasi dari Klasifikasi Asap berbasis IoT [AJG]

Abstract

Deteksi dan mengidentifikasi asap merupakan bagian penting untuk 
mengurangi risiko bahaya yang ditimbulkan oleh asap di lingkungan, karena disebabkan oleh aktivitas manusia seperti merokok, vape, atau kejadian seperti kebakaran. Pada umumnya, sistem deteksi asap seringkali mengalami kesulitan membedakan jenis asap seperti rokok, vape, dan kebakaran. Untuk mengatasinya, dibutuhkan peningkatan akurasi berbasis IoT menggunakan metode Long Short Term Memory (LSTM) dikombinasikan dengan Attention Mechanism agar dapat meningkatkan akurasi klasifikasi. Pada penelitian ini dataset yang digunakan sebanyak 7557, Dimana dataset asap rokok sebanyak 2588, asap vape sebanyak 
1058, asap kebakaran sebanyak 878, asap normal (tanpa asap) sebanyak 3033 data. Hasil dari pengujian ini menunjukkan bahwa penerapan Attention Mechanism pada model LSTM dapat meningkatkan akurasi dalam proses klasifikasi jenis asap dibandingkan dengan metode machine learning konvensional seperti klasifikasi menggunakan K-Nearest Neighbor (KNN), Naive Bayes, dan Random Forest. Setelah dilakukan pengujian ini, pengembangan sistem deteksi asap berbasis IoT dapat menghasilkan akurasi menjadi lebih meningkat dalam sistem peringatan dini 
dan pengawasan lingkungan.