Bayangkan anda berada di tengah hutan yang tenang, lalu tiba-tiba anda melihat api kecil menyala di balik semak-semak. Tidak lama kemudian, terlihatlah kobaran besar yang melahap pepohonan dan binatang sekitar. Telah terjadi kebakaran hutan yang hebat! Andaikan anda dapat mengulur balik waktu dan memadamkan api tersebut, anda dapat mencegah musibah besar. Disinilah pentingnya dilakukan pencegahan dibandingkan penanganan dampak. Namun dengan luas hutan Indonesia yang mencapai ratusan juta hektare, tentulah tidak realistis untuk menyusuri setiap sudutnya hanya untuk mencegah kebakaran yang belum tentu terjadi.

Kini, teknologi telah memberikan solusi. Dengan bantuan Unmanned Aerial Vehicle (UAV), kita dapat memantau area luas dengan usaha yang minim. Dilengkapi dengan kamera termal yang mampu menangkap perbedaan suhu, teknologi ini memungkinkan pendeteksian tanda-tanda awal kebakaran seperti pemetaan titik panas dan pemantauan area rawan, sehingga memungkinkan mitigasi cepat sebelum terjadi bencana besar.

Gambar 1. DJI Mavic 3 Thermal Camera Drone

Pendeteksian tanda awal kebakaran melalui pemrosesan gambar kamera termal bukanlah tugas yang ringan. Sehingga dalam sistem UAV, diperlukan suatu perangkat komputasi yang kuat. Untuk memenuhi kebutuhan ini, Jetson Nano merupakan salah satu pilihan paling ideal karena memiliki kemampuan komputasi yang efisien dan berperforma tinggi.

Jetson Nano merupakan komputer kecil yang mampu mengaplikasikan Internet of Things (IoT) berbasis artificial intelligence. Alat ini juga mampu mengolah data dari kamera termal secara real-time untuk memberikan respons cepat. Kemampuan ini tentunya tidak terlepas dari kerjasama antar komponen dalam Jetson Nano. Dalam hal ini, tiga komponen inti dari arsitektur Jetson Nano yang akan dibahas lebih lanjut adalah CPU, memory, dan input/output.

Jetson Nano menggunakan CPU Quad-core ARM Cortex-A57 yang stabil dalam berbagai aplikasi edge computing. Salah satu keunggulan utamanya adalah kemampuan dalam memproses data visual dari kamera thermal secara real-time. Dukungan GPU NVIDIA Maxwell dengan 128-core CUDA membuat Jetson Nano mampu menangani pemrosesan paralel, seperti pengambilan keputusan melalui AI dan pengolahan gambar dengan efisiensi tinggi. Hal ini memungkinkan Jetson Nano menjalankan aplikasi berbasis AI langsung di dalamnya.

Gambar 2. CPU Quad-core ARM Cortex-A57

Selain dari sisi performa, Jetson Nano juga menawarkan efisiensi daya yang sangat baik, dengan konsumsi hanya sekitar 5 hingga 10 watt. Keunggulan ini menjadikannya sangat ideal untuk sistem seperti UAV yang memiliki keterbatasan dalam daya dan bobot. Dibandingkan dengan alat komputasi lainnya seperti Raspberry Pi atau Arduino, Jetson Nano unggul dalam hal pemrosesan grafis dan komputasi AI. Meskipun Raspberry Pi lebih murah dan Arduino lebih sederhana untuk tugas-tugas kontrol dasar, Jetson Nano memberikan keseimbangan antara performa tinggi dan efisiensi daya sehingga sangat cocok untuk penggunaan dalam UAV.

Selain CPU, sebuah komputer juga memerlukan memory. RAM (Random Access Memory) adalah salah satu jenis memory yang berperan besar dalam multitasking, contohnya dalam menonton film, memeriksa email, atau menjalankan beberapa aplikasi sekaligus. RAM bertindak sebagai memori jangka pendek yang menyimpan data sementara agar sistem dapat bekerja dengan cepat dan efisien.

Dalam sistem UAV, Jetson Nano dilengkapi dengan RAM berukuran 4GB berjenis Low-Power Double Data Rate (LPDDR4) yang memungkinkan pemrosesan data secara cepat dan efisien. Ini mendukung performa tinggi dalam lingkungan komputasi yang kompleks. Untuk lebih memahami peran RAM 4GB LPDDR4 pada Jetson Nano, kita dapat meninjau dampaknya terhadap pengolahan gambar serta kemampuan multitasking dalam sistem UAV.

Gambar 3. RAM Low-Power Double Data Rate

RAM LPDDR4 merupakan jenis RAM yang dijalani pada banyak perangkat elektronik. Sesuai dengan singkatan namanya Low Power Double Data Rate Random Access Memory, LPDDR generasi ke-4 ini memiliki daya yang efisien dan kemampuan menurunkan clock speed. Selain itu, LPDDR sudah mendukung bandwidth hingga 3200 Mbps untuk mentransmisikan data lebih cepat. Karena pengolahan gambar dari kamera thermal memerlukan analisis yang cepat, RAM membutuhkan kecepatan tinggi agar dapat mendeteksi titik panas dengan optimal.

Penggunaan memory yang memadai memampukan sistem UAV untuk menjalankan beberapa proses sekaligus seperti navigasi, pengolahan gambar dari kamera, serta komunikasi data ke pusat kontrol atau pengguna. RAM pada Jetson Nano memiliki peran yang penting dalam menjaga kestabilan performa ketika proses dijalankan secara paralel. RAM mampu mencukupi kebutuhan sistem untuk menyimpan data sensor, hasil prediksi, dan buffer komunikasi tanpa menyebabkan kegagalan pada sistem.

Tidak hanya CPU dan memory, komponen Input/Output (I/O) dalam arsitektur sistem UAV ini juga memiliki peran penting dalam menjembatani berbagai perangkat pendukung, mulai dari sensor hingga modul komunikasi. Jetson Nano dilengkapi dengan antarmuka I/O seperti GPIO, I2C, SPI, UART, USB, dan CSI, yang memungkinkan integrasi sistem secara menyeluruh dalam pemantauan bencana.

Gambar 4. Diagram integrasi I/O pada Jetson Nano dalam sistem UAV

Camera Serial Interface (CSI) merupakan jenis komunikasi I/O yang menghubungkan Jetson Nano dengan kamera thermal. Melalui koneksi ini, data citra suhu dapat ditangkap secara real-time dan diproses langsung menggunakan algoritma deteksi seperti YOLO untuk mengidentifikasi potensi titik api. Kecepatan dan efisiensi komunikasi melalui CSI sangat krusial untuk memastikan respon UAV terhadap bahaya dapat dilakukan secara cepat dan akurat.

Selain kamera, Jetson Nano juga terhubung dengan sistem navigasi autopilot seperti Pixhawk dan GPS receiver menggunakan port UART. Melalui koneksi serial ini, Jetson Nano menerima informasi navigasi seperti posisi, orientasi, dan kecepatan UAV secara langsung. Informasi ini berfungsi sebagai referensi spasial bagi sistem pemrosesan citra thermal, sehingga deteksi titik panas dapat dipetakan secara akurat.

Untuk memastikan hasil deteksi dapat dikirimkan ke pusat kendali secara efisien, Jetson Nano memanfaatkan port USB untuk integrasi dengan modul komunikasi seperti LoRa dan 4G/LTE. LoRa memberikan solusi komunikasi jarak jauh dengan konsumsi daya rendah, sedangkan 4G/LTE memungkinkan pengiriman data dalam jumlah besar, seperti citra termal atau koordinat lokasi, secara real-time ke cloud atau server pusat.

Melalui CPU yang berperforma tinggi, RAM LPDDR4 yang kencang, dan dukungan I/O yang lengkap, penerapan Jetson Nano pada UAV dengan kamera thermal merupakan solusi cerdas untuk deteksi dini kebakaran hutan. UAV ini mampu mendeteksi titik panas secara real-time dan mengambil keputusan dengan cepat. Tidak hanya itu, UAV juga mampu mengirim data dengan efisien, sehingga dapat memberikan akses informasi terupdate. Dengan semua kemampuan ini, sistem UAV menjadi alat yang unggul dalam membantu pencegahan bencana pada area luas dan sulit dijangkau, sehingga memungkinkan langkah mitigasi yang cepat sebelum terjadinya bencana.

Penulis: Teresa Tendeas1), Charles Chrisstianto1), Makaio Wimylie1), Valerie Alianto1)

Referensi:

[1] Badan Nasional Penanggulangan Bencana (BNPB), “Ada 629 Kasus Karhutla Terjadi di Indonesia Sepanjang 2024,” Antara News, Apr. 2024. [Online]. Available: https://www.antaranews.com/berita/4574894/bnpb-ada-629-kasus-karhutla-terjadi-di-indonesia-sepanjang-2024

[2] Mutu Certification International, “Daerah Penghasil Hutan Terluas Indonesia,” Mutu Certification, [Online]. Available: https://mutucertification.com/daerah-penghasil-hutan-terluas-indonesia/

[3] NVIDIA, “Jetson Nano Developer Kit,” NVIDIA Developer, [Online]. Available: https://developer.nvidia.com/embedded/jetson-nano

[4] Techno.id, “RAM LPDDR4, RAM Generasi Baru Andalan Ponsel Flagship Masa Kini,” Techno.id, Aug. 2015. [Online]. Available: https://www.techno.id/techpedia/ram-lpddr4-ram-generasi-baru-andalan-ponsel-flagship-masa-kini-150802k.html

[5] Intel, “Apa Itu RAM dan Mengapa Penting untuk Komputer Anda,” Intel Indonesia, [Online]. Available: https://www.intel.co.id/content/www/id/id/tech-tips-and-tricks/computer-ram.html

[6] R. Hakani and A. Rawat, "Edge Computing-Driven Real-Time Drone Detection Using YOLOv9 and NVIDIA Jetson Nano," Drones, vol. 8, no. 11, p. 680, Nov. 2024. doi: 10.3390/drones8110680.

[7] N. Noviana, "Drone dan Pencitraan Thermal: Kombinasi Unggul untuk Security dan Inspection," Halo Robotics, Oct. 10, 2024. [Online]. Available: https://halorobotics.com/drone-dan-pencitraan-thermal-kombinasi-unggul-untuk-security-dan-inspection/​Halo Robotics

[8] A. J. Mantau, I. W. Widayat, J.-S. Leu, and M. Köppen, "A Human-Detection Method Based on YOLOv5 and Transfer Learning Using Thermal Image Data from UAV Perspective for Surveillance System," Drones, vol. 6, no. 10, p. 290, Oct. 2022. doi: 10.3390/drones6100290

[9] NVIDIA, “Thermal camera for Xavier NX?,” NVIDIA Developer Forums, Jul. 07, 2020. [Online]. Available: https://forums.developer.nvidia.com/t/thermal-camera-for-xavier-nx/140844