Pendeteksi Kebakaran Menggunakan Metode Transfer Learning dengan Segmentasi Warna dan Citra

Rivaldo, Rivaldo
Zulkarnain, Achmad Rizky
Rahman, Abdul

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 7, No 6 (2024): Desember 2024

Abstrak - Kebakaran merupakan bencana yang sulit diprediksi dan dapat menyebabkan kerugian besar jika tidak ditangani dengan cepat. Untuk mendeteksi kebakaran lebih awal dan mencegah penyebaran yang lebih luas, penelitian ini mengembangkan sistem pendeteksian berbasis analisis citra. Sistem ini menggabungkan transfer learning untuk klasifikasi awal kebakaran dengan segmentasi warna untuk memastikan lokasi dan cakupan area yang terbakar. Kombinasi metode transfer learning dan segmentasi warna ini memberikan kinerja yang andal dalam mendeteksi kebakaran, menjadikannya solusi efektif untuk sistem pemantauan kebakaran berbasis citra di berbagai lingkungan. Hasil evaluasi menunjukkan bahwa model transfer learning mencapai akurasi sebesar 97,50% pada data pelatihan, 97,98% pada data validasi, dan 99% pada data pengujian. Selain itu, model ini memiliki presisi 100%, recall 96%, dan F1-score 98%. Pada tahap segmentasi warna, program menghasilkan akurasi sebesar 93,5%, presisi 98,6%, recall 94,7%, dan F1-score 96,6%.Kata kunci: Kebakaran, Transfer Learning, Segementasi Warna, Citra Abstract - Fire is a disaster that is difficult to predict and can cause significant damage if not addressed quickly. This study develops a fire detection system based on image analysis to detect fires earlier and prevent further spread. The system combines transfer learning for the initial classification of fires with color segmentation to identify the location and extent of the burned area accurately. Transfer learning and color segmentation provide reliable performance in detecting fires, making it an effective solution for image-based fire monitoring systems in various environments. Evaluation results show that the transfer learning model achieves an accuracy of 97.50% on training data, 97.98% on validation data, and 99% on test data. Furthermore, the model has a precision of 100%, a recall of 96%, and an F1 score of 98%. In the color segmentation phase, the program achieves an accuracy of 93.5%, precision of 98.6%, recall of 94.7%, and an F1-score of 96.6%.Keywords: Fire, Transfer Learning, Color Segmentation, Image